Model Tracking: MLflow abseits der Pfade

MLflow hat sich, nicht zuletzt durch zahlreiche namhafte Kontributoren wie Microsoft, databricks und Co. zu einer mächtigen Plattform für das maschinelle Lernen entwickelt. Out-of-the-box kommen wichtige Features wie Modellverwaltung, Tracking, Packaging und sogar eine einfache Form des Servings. War anfangs noch einiges an Handarbeit nötig, so lassen heute die gängigsten Frameworks (Pytorch, Keras etc.) mit wenig Zeilen Code direkt einbinden. MLflow ist ein rundum gelungenes Open-Source-Projekt und ein echter Gewinn für ML-Praktiker.

Doch was passiert, wenn wir die typischen Pfade verlassen? Wenn wir nur einzelne Komponenten nutzen wollen? Worauf müssen wir achten, wenn wir den ganzen ML-Zyklus eben nicht in MLflow abbilden können? Welche Herausforderungen ergeben sich, wenn wir bestehende Applikationen und Workflows zu MLflow migrieren?

Nach einem Kurzüberblick über MLflow wollen wir unsere Erfahrungen, Erkenntnisse und Gedanken zu diesen und anderen Fragen mit euch teilen.