Documentação MLflow

Descrição

Bem-vindo à Documentação MLflow, seu recurso central para gerenciar o ciclo de vida de machine learning e IA de ponta a ponta. A documentação é cuidadosamente organizada em duas seções principais para atender às diversas necessidades dos usuários. Para aqueles focados no cenário em rápida evolução de Modelos de Linguagem Grandes (LLMs) e agentes, a seção 'LLMs & Agentes' oferece orientação aprofundada.

Dentro de 'LLMs & Agentes', você descobrirá ferramentas e melhores práticas para o desenvolvimento de aplicações de agentes e LLM. Isso inclui informações detalhadas sobre rastreamento, que permite monitorar e depurar suas interações com LLM, e frameworks de avaliação projetados para avaliar o desempenho de seus agentes e modelos. A documentação também abrange o gerenciamento de prompts, permitindo o manuseio e otimização eficientes de prompts, e a implantação de modelos fundacionais, guiando você pelo processo de tornar suas aplicações LLM prontas para produção. Além disso, aprofunda-se na governança de IA, garantindo o desenvolvimento de IA responsável e em conformidade.

Para usuários envolvidos em fluxos de trabalho tradicionais de machine learning, a seção 'Machine Learning' fornece guias abrangentes. Esta área foca em funcionalidades centrais de ML, como rastreamento de experimentos, que é crucial para registrar e comparar diferentes execuções de modelos, e empacotamento de modelos, garantindo que seus modelos sejam reproduzíveis e compartilháveis. O registro de modelos é explicado em detalhes, oferecendo um sistema centralizado para gerenciar versões e estágios de modelos. Estratégias de implantação para modelos de ML tradicionais também são abordadas, juntamente com orientação sobre ajuste de hiperparâmetros e o gerenciamento geral do ciclo de vida do modelo. Ambas as seções enfatizam a natureza de código aberto do MLflow e sua integração com o Databricks.

O MLflow capacita cientistas de dados, engenheiros de ML e desenvolvedores de IA a otimizar seus fluxos de trabalho, aprimorar a colaboração e garantir a confiabilidade e escalabilidade de seus projetos de IA. Seja construindo sistemas agênticos sofisticados ou ajustando modelos de ML clássicos, a documentação do MLflow fornece o conhecimento necessário para alavancar suas poderosas capacidades de forma eficaz.

Recursos principais de Documentação MLflow

• Rastreamento de LLM para aplicações de IA

• Frameworks de avaliação de agentes

• Ferramentas de gerenciamento de prompts

• Orientação para implantação de modelos fundacionais

• Recursos de governança de IA

• Rastreamento de experimentos para fluxos de trabalho de ML

• Empacotamento e gerenciamento de registro de modelos

• Suporte para ajuste de hiperparâmetros

• Gerenciamento do ciclo de vida de IA de ponta a ponta

• Plataforma de código aberto

Primeiros passos com Documentação MLflow

1. 1

   Explore LLMs & Agentes: Acesse ferramentas para observabilidade de LLM e agentes, gerenciamento de prompts e avaliação.

2. 2

   Aprenda Desenvolvimento de Aplicações LLM: Entenda como rastrear, avaliar e otimizar aplicações LLM e fluxos de trabalho de agentes.

3. 3

   Acesse Guias de Machine Learning: Encontre guias abrangentes para rastreamento de experimentos, empacotamento de modelos e gerenciamento de registro.

4. 4

   Comece com Funcionalidades Principais: Saiba mais sobre fluxos de trabalho tradicionais de ML, ajuste de hiperparâmetros e gerenciamento do ciclo de vida do modelo.

5. 5

   Utilize Código Aberto: Aproveite a plataforma MLflow de código aberto para seus projetos.

6. 6

   Integre com Databricks: Explore o MLflow no Databricks para capacidades aprimoradas.

Casos de uso de Documentação MLflow

• Desenvolvimento de Aplicações LLM
• Gerenciamento de Fluxos de Trabalho de Agentes
• Experimentação de ML Tradicional
• Gerenciamento do Ciclo de Vida do Modelo
• Governança e Conformidade de IA
• Implantação de Modelos Fundacionais
• Ajuste de Hiperparâmetros

Perguntas frequentes de Documentação MLflow

• O que é MLflow?

  MLflow é uma plataforma de código aberto projetada para gerenciar o ciclo de vida de machine learning e IA de ponta a ponta, oferecendo ferramentas para rastreamento de experimentos, registro de modelos, implantação, rastreamento de LLM, avaliação de agentes e muito mais.

• Quais são as duas seções principais da documentação MLflow?

  A documentação MLflow é organizada em 'LLMs & Agentes' para desenvolvimento de aplicações de IA e 'Machine Learning' para fluxos de trabalho tradicionais de ML.

• Que tipo de ferramentas estão disponíveis para desenvolvimento de LLM e agentes no MLflow?

  MLflow oferece ferramentas para observabilidade de LLM e agentes, gerenciamento de prompts, implantação de modelos fundacionais e frameworks de avaliação.

• Quais funcionalidades o MLflow fornece para machine learning tradicional?

  Para machine learning tradicional, MLflow fornece guias abrangentes para rastreamento de experimentos, empacotamento de modelos, gerenciamento de registro e implantação.

• O MLflow pode ajudar com a governança de IA?

  Sim, a documentação MLflow abrange a governança de IA, fornecendo insights e ferramentas para o desenvolvimento responsável de IA.

• O MLflow é um projeto de código aberto?

  Sim, MLflow é uma plataforma de código aberto, e sua documentação destaca sua natureza de código aberto e integração com o Databricks.

• O que é rastreamento de LLM no MLflow?

  Rastreamento de LLM no MLflow refere-se à capacidade de monitorar e depurar interações dentro de aplicações LLM, ajudando a entender seu comportamento.

• Como o MLflow auxilia no gerenciamento do ciclo de vida do modelo?

  MLflow auxilia no gerenciamento do ciclo de vida do modelo através de recursos como rastreamento de experimentos, registro de modelos para versionamento e staging, e ferramentas de implantação.

• Quem pode se beneficiar da documentação MLflow?

  Cientistas de dados, engenheiros de ML e desenvolvedores de IA podem se beneficiar da documentação MLflow para otimizar seus projetos de IA.

• O que é gerenciamento de prompts no contexto do MLflow?

  Gerenciamento de prompts no MLflow refere-se a ferramentas e práticas para manusear, organizar e otimizar eficientemente os prompts usados em aplicações LLM.