Dokumentasi MLflow

Deskripsi

Selamat datang di Dokumentasi MLflow, sumber daya pusat Anda untuk mengelola siklus hidup machine learning dan AI dari awal hingga akhir. Dokumentasi ini diorganisir dengan cermat ke dalam dua bagian utama untuk memenuhi beragam kebutuhan pengguna. Bagi mereka yang berfokus pada lanskap Large Language Models (LLM) dan agen yang berkembang pesat, bagian 'LLMs & Agents' menawarkan panduan mendalam.

Di dalam 'LLMs & Agents,' Anda akan menemukan alat dan praktik terbaik untuk pengembangan aplikasi agen dan LLM. Ini termasuk informasi terperinci tentang pelacakan (tracing), yang memungkinkan Anda memantau dan men-debug interaksi LLM Anda, serta kerangka kerja evaluasi yang dirancang untuk menilai kinerja agen dan model Anda. Dokumentasi ini juga mencakup manajemen prompt, yang memungkinkan penanganan dan optimasi prompt yang efisien, serta penerapan model dasar (foundation model), memandu Anda melalui proses membuat aplikasi LLM Anda siap produksi. Selain itu, ini mendalami tata kelola AI, memastikan pengembangan AI yang bertanggung jawab dan patuh.

Bagi pengguna yang terlibat dalam alur kerja machine learning tradisional, bagian 'Machine Learning' menyediakan panduan komprehensif. Area ini berfokus pada fungsionalitas ML inti seperti pelacakan eksperimen, yang sangat penting untuk mencatat dan membandingkan berbagai eksekusi model, dan pengemasan model (model packaging), memastikan model Anda dapat direproduksi dan dibagikan. Registri model dijelaskan secara rinci, menawarkan sistem terpusat untuk mengelola versi dan tahapan model. Strategi penerapan untuk model ML tradisional juga dibahas, bersama dengan panduan tentang penyetelan hyperparameter dan manajemen siklus hidup model secara keseluruhan. Kedua bagian menekankan sifat open-source MLflow dan integrasinya dengan Databricks.

MLflow memberdayakan ilmuwan data, insinyur ML, dan pengembang AI untuk menyederhanakan alur kerja mereka, meningkatkan kolaborasi, dan memastikan keandalan serta skalabilitas proyek AI mereka. Baik Anda membangun sistem agen yang canggih atau menyetel model ML klasik, dokumentasi MLflow menyediakan pengetahuan yang diperlukan untuk memanfaatkan kemampuannya yang kuat secara efektif.

Fitur Inti Dokumentasi MLflow

• Pelacakan LLM untuk aplikasi AI

• Kerangka kerja evaluasi agen

• Alat manajemen prompt

• Panduan penerapan model dasar

• Fitur tata kelola AI

• Pelacakan eksperimen untuk alur kerja ML

• Pengemasan model dan manajemen registri

• Dukungan penyetelan hyperparameter

• Manajemen siklus hidup AI ujung ke ujung

• Platform open-source

Memulai dengan Dokumentasi MLflow

1. 1

   Jelajahi LLMs & Agents: Akses alat untuk observabilitas LLM dan agen, manajemen prompt, dan evaluasi.

2. 2

   Pelajari Pengembangan Aplikasi LLM: Pahami cara melacak, mengevaluasi, dan mengoptimalkan aplikasi LLM dan alur kerja agen.

3. 3

   Akses Panduan Machine Learning: Temukan panduan komprehensif untuk pelacakan eksperimen, pengemasan model, dan manajemen registri.

4. 4

   Mulai dengan Fungsionalitas Inti: Pelajari tentang alur kerja ML tradisional, penyetelan hyperparameter, dan manajemen siklus hidup model.

5. 5

   Manfaatkan Open Source: Gunakan platform MLflow open-source untuk proyek Anda.

6. 6

   Integrasi dengan Databricks: Jelajahi MLflow di Databricks untuk kemampuan yang ditingkatkan.

Kasus Penggunaan Dokumentasi MLflow

• Pengembangan Aplikasi LLM
• Manajemen Alur Kerja Agen
• Eksperimentasi ML Tradisional
• Manajemen Siklus Hidup Model
• Tata Kelola dan Kepatuhan AI
• Penerapan Model Dasar
• Penyetelan Hyperparameter

FAQ dari Dokumentasi MLflow

• Apa itu MLflow?

  MLflow adalah platform open-source yang dirancang untuk mengelola siklus hidup machine learning dan AI dari awal hingga akhir, menawarkan alat untuk pelacakan eksperimen, registri model, penerapan, pelacakan LLM, evaluasi agen, dan lainnya.

• Apa dua bagian utama dari dokumentasi MLflow?

  Dokumentasi MLflow diorganisir ke dalam 'LLMs & Agents' untuk pengembangan aplikasi AI dan 'Machine Learning' untuk alur kerja ML tradisional.

• Alat jenis apa yang tersedia untuk pengembangan LLM dan agen di MLflow?

  MLflow menawarkan alat untuk observabilitas LLM dan agen, manajemen prompt, penerapan model dasar, dan kerangka kerja evaluasi.

• Fungsionalitas apa yang disediakan MLflow untuk machine learning tradisional?

  Untuk machine learning tradisional, MLflow menyediakan panduan komprehensif untuk pelacakan eksperimen, pengemasan model, manajemen registri, dan penerapan.

• Bisakah MLflow membantu dengan tata kelola AI?

  Ya, dokumentasi MLflow mencakup tata kelola AI, memberikan wawasan dan alat untuk pengembangan AI yang bertanggung jawab.

• Apakah MLflow adalah proyek open-source?

  Ya, MLflow adalah platform open-source, dan dokumentasinya menyoroti sifat open-source dan integrasinya dengan Databricks.

• Apa itu pelacakan LLM di MLflow?

  Pelacakan LLM di MLflow mengacu pada kemampuan untuk memantau dan men-debug interaksi dalam aplikasi LLM, membantu memahami perilaku mereka.

• Bagaimana MLflow membantu manajemen siklus hidup model?

  MLflow membantu manajemen siklus hidup model melalui fitur-fitur seperti pelacakan eksperimen, registri model untuk versioning dan staging, serta alat penerapan.

• Siapa yang dapat memperoleh manfaat dari dokumentasi MLflow?

  Ilmuwan data, insinyur ML, dan pengembang AI dapat memperoleh manfaat dari dokumentasi MLflow untuk menyederhanakan proyek AI mereka.

• Apa itu manajemen prompt dalam konteks MLflow?

  Manajemen prompt di MLflow mengacu pada alat dan praktik untuk menangani, mengatur, dan mengoptimalkan prompt yang digunakan dalam aplikasi LLM secara efisien.