Descripción
Bienvenido a la Documentación de MLflow, su recurso central para gestionar el ciclo de vida completo de aprendizaje automático e IA. La documentación está cuidadosamente organizada en dos secciones principales para satisfacer las diversas necesidades de los usuarios. Para aquellos centrados en el panorama en rápida evolución de los Modelos de Lenguaje Grandes (LLM) y agentes, la sección 'LLMs & Agents' ofrece orientación detallada.
Dentro de 'LLMs & Agents', descubrirá herramientas y mejores prácticas para el desarrollo de aplicaciones de agentes y LLM. Esto incluye información detallada sobre el rastreo, que le permite monitorizar y depurar sus interacciones con LLM, y marcos de evaluación diseñados para evaluar el rendimiento de sus agentes y modelos. La documentación también cubre la gestión de prompts, lo que permite un manejo y optimización eficientes de los prompts, y el despliegue de modelos fundacionales, guiándole a través del proceso de preparación de sus aplicaciones LLM para producción. Además, profundiza en la gobernanza de IA, asegurando un desarrollo de IA responsable y conforme.
Para los usuarios involucrados en flujos de trabajo de aprendizaje automático tradicionales, la sección 'Machine Learning' proporciona guías completas. Esta área se centra en funcionalidades básicas de ML como el seguimiento de experimentos, que es crucial para registrar y comparar diferentes ejecuciones de modelos, y el empaquetado de modelos, asegurando que sus modelos sean reproducibles y compartibles. El registro de modelos se explica en detalle, ofreciendo un sistema centralizado para gestionar versiones y etapas de modelos. También se cubren estrategias de despliegue para modelos de ML tradicionales, junto con orientación sobre la optimización de hiperparámetros y la gestión general del ciclo de vida del modelo. Ambas secciones enfatizan la naturaleza de código abierto de MLflow y su integración con Databricks.
MLflow potencia a los científicos de datos, ingenieros de ML y desarrolladores de IA para optimizar sus flujos de trabajo, mejorar la colaboración y garantizar la fiabilidad y escalabilidad de sus proyectos de IA. Ya sea que esté construyendo sofisticados sistemas de agentes o ajustando modelos de ML clásicos, la documentación de MLflow proporciona el conocimiento necesario para aprovechar sus potentes capacidades de manera efectiva.
Características principales de Documentación de MLflow
Rastreo de LLM para aplicaciones de IA
Marcos de evaluación de agentes
Herramientas de gestión de prompts
Guía de despliegue de modelos fundacionales
Funciones de gobernanza de IA
Seguimiento de experimentos para flujos de trabajo de ML
Empaquetado de modelos y gestión de registro
Soporte para optimización de hiperparámetros
Gestión del ciclo de vida completo de la IA
Plataforma de código abierto
Primeros pasos con Documentación de MLflow
Explore LLMs & Agents: Acceda a herramientas para la observabilidad de LLM y agentes, gestión de prompts y evaluación.
Aprenda Desarrollo de Aplicaciones LLM: Comprenda cómo rastrear, evaluar y optimizar aplicaciones LLM y flujos de trabajo de agentes.
Acceda a Guías de Machine Learning: Encuentre guías completas para el seguimiento de experimentos, empaquetado de modelos y gestión de registro.
Comience con Funcionalidades Principales: Aprenda sobre flujos de trabajo de ML tradicionales, optimización de hiperparámetros y gestión del ciclo de vida del modelo.
Utilice Código Abierto: Aproveche la plataforma MLflow de código abierto para sus proyectos.
Integre con Databricks: Explore MLflow en Databricks para capacidades mejoradas.
Casos de uso de Documentación de MLflow
- Desarrollo de Aplicaciones LLM
- Gestión de Flujos de Trabajo de Agentes
- Experimentación de ML Tradicional
- Gestión del Ciclo de Vida del Modelo
- Gobernanza y Cumplimiento de IA
- Despliegue de Modelos Fundacionales
- Optimización de Hiperparámetros
