Loading content
MLflow ist eine Open-Source-Plattform zur Verwaltung des gesamten Machine-Learning-Lebenszyklus, inklusive Experiment-Tracking, Modellpaketierung und Bereitstellung. Sie bietet schlanke APIs, einen Tracking-Server zur Aufzeichnung von Runs, Artefakten und Modellversionen sowie Integrationen mit gängigen ML-Frameworks für reproduzierbare Workflows im Team. ML…
Nutze diesen Steckbrief, um den Baustein kurz zu verstehen, ihn im Modell einzuordnen und bei Bedarf in die 360°-Bewertung zu wechseln.
Technischer Baustein: kann automatisiert, integriert oder betrieben werden.
Konkretes Rädchen im System, das in größeren Zusammenhängen wirkt.
MLflow ist eine Open-Source-Plattform, die Experimente, Modelle und deren Bereitstellung im maschinellen Lernen nachvollziehbar macht.
MLflow wurde 2018 bei Databricks entwickelt, um den Übergang von explorativen Machine-Learning-Experimenten zu reproduzierbaren Abläufen zu erleichtern, und anschließend als Open-Source-Projekt veröffentlicht. Daraus entstand eine Plattform für Tracking, Modellverpackung, Registry und Deployment.
Ein Training protokolliert Parameter, Metriken, Artefakte und Code als Run. Ein Registry-Eintrag versioniert ein Modell und kann Übergänge in Bereitstellungsphasen abbilden. Serving oder Integrationen laden diese Version, während Teams sie vergleichen und zurückrollen können.
Ein Run bündelt Eingaben, Kennzahlen und Ergebnisse eines Trainings- oder Auswertungslaufs.
Die Registry verwaltet Modellversionen und ihren Lebenszyklus.
Serving stellt ein registriertes Modell für Vorhersagen über eine Schnittstelle bereit.
MLflow schafft Nachvollziehbarkeit zwischen Experiment und Betrieb und passt zu heterogenen ML-Stacks. Teams müssen Tracking-Inhalte, Zugriffe, Daten- und Modellrisiken sowie die tatsächliche Produktionsausführung weiterhin selbst kontrollieren; die Plattform garantiert keine Modellgüte.
Wo dieser Baustein im Themenmodell verortet ist.
Keine Strukturpfade verfügbar.
Erkunde, wie dieser Wissensbaustein mit Konzepten, Methoden, Technologien und Tools verbunden ist.
Diese Quellen belegen den Begriff und seine fachliche Bedeutung.
Alle direkten Verbindungen des aktuellen Wissensbausteins in einer kompakten, textuellen Darstellung.
Diese Einordnung zeigt, in welchem Kontext der Baustein typischerweise relevant wird, wie anspruchsvoll er ist und welche Wirkung er im Modell hat.
Die Ebene innerhalb der Organisation (Unternehmen, Domäne, Team), auf der der AssetBlock angewendet wird.