MLflow

MLflow im Überblick

MLflow löst ein fundamentales Problem in ML-Projekten: die Reproduzierbarkeit. Ohne ein Tool wie MLflow verliert man schnell den Überblick – welches Experiment hatte die beste Accuracy? Mit welchen Hyperparametern? Auf welchem Datensatz? MLflow protokolliert all das automatisch und macht Experimente vergleichbar.

Die Plattform besteht aus vier Kernkomponenten, die unabhängig voneinander oder zusammen genutzt werden können. Das macht MLflow flexibel: Man kann mit dem Tracking starten und später die Model Registry hinzufügen, wenn das Team wächst.

import mlflow
import mlflow.sklearn
from sklearn.ensemble import RandomForestClassifier

with mlflow.start_run():
    # Parameter loggen
    mlflow.log_param("n_estimators", 100)
    mlflow.log_param("max_depth", 5)
    
    # Modell trainieren
    model = RandomForestClassifier(n_estimators=100, max_depth=5)
    model.fit(X_train, y_train)
    
    # Metriken loggen
    accuracy = model.score(X_test, y_test)
    mlflow.log_metric("accuracy", accuracy)
    
    # Modell speichern
    mlflow.sklearn.log_model(model, "model")

Technisch betrachtet

Die vier Komponenten

MLflow Tracking: Protokolliert Parameter, Metriken, Tags und Artefakte (Modelle, Plots, Dateien) für jedes Experiment. Alle Runs werden in einer zentralen Datenbank gespeichert und sind über die UI vergleichbar.

MLflow Projects: Standardisiertes Format für reproduzierbare ML-Code-Pakete. Definiert Abhängigkeiten und Entry Points, sodass jeder das Experiment exakt reproduzieren kann.

MLflow Models: Einheitliches Format zum Speichern von Modellen verschiedener Frameworks. Ein MLflow-Modell kann als Python-Funktion, REST-API, Docker-Container oder direkt in Cloud-Plattformen deployed werden.

MLflow Model Registry: Zentrale Modell-Verwaltung mit Versionierung und Lifecycle-Management.

Deployment-Workflow

MLflow vs. Alternativen

Vergleich der MLOps-Tools:

• MLflow: Open-Source, self-hosted, breite Framework-Unterstützung
• Weights & Biases: Beste UI, SaaS, starke Visualisierungen
• Neptune.ai: Fokus auf Collaboration, SaaS
• DVC: Git-basiertes Data Versioning, kein Tracking
• Kubeflow: Kubernetes-native, komplex, für große Teams