Mise en service des modèles

Introduction à MLflow

Weston Bassler

Senior MLOps Engineer

MLflow Models

  • Normaliser l'empaquetage des modèles

  • Consigner les modèles

  • Évaluer les modèles

Introduction à MLflow

Déploiement de modèles

cycle de vie du ML

1 datacamp.com
Introduction à MLflow

API REST

  • /ping — vérification d'état

  • /health — vérification d'état

  • /version — obtenir la version de MLflow

  • /invocations — évaluation du modèle

  • Port 5000

Introduction à MLflow

Point de terminaison Invocations

/invocations

No,Name,Subject
1,Bill Johnson,English
2,Gary Valentine,Mathematics

Content-Type:application/json ou application/csv

{
    "1": {
        "No": "1",
        "Name": "Bill Johnson",
        "Subject": "English"
    },
    "2": {
        "No": "2",
        "Name": "Gary Valentine",
        "Subject": "Mathematics"
    }
}
Introduction à MLflow

Format CSV

  • DataFrame pandas

  • pandas_df.to_csv()

Format JSON

  • dataframe_split — DataFrame pandas en orientation split

  • dataframe_records — DataFrame pandas en orientation records

Introduction à MLflow

DataFrame split

# Orientation dataframe_split
{
  "dataframe_split": {
      "columns": ["sex", "age", "weight"],
      "data": [["male", 23, 160], ["female", 33, 120]]
  }
}
Introduction à MLflow

Mise en service des modèles

# Commande de service MLflow
mlflow models serve --help
Usage: mlflow models serve [OPTIONS]
Introduction à MLflow

URI de service

# Système de fichiers local
mlflow models serve -m relative/path/to/local/model

# ID d'exécution (Run ID)
mlflow models serve -m runs:/<mlflow_run_id>/artifacts/model

# AWS S3
mlflow models serve -m s3://my_bucket/path/to/model
Introduction à MLflow

Exemple de service

# Mettre en service un modèle depuis une exécution
mlflow models serve -m runs:/e84a122920de4bdeaedb54146deeb429/artifacts/model

2023/03/12 16:28:28 INFO mlflow.models.flavor_backend_registry: 
Selected backend for flavor 'python_function'
2023/03/12 16:28:28 INFO mlflow.pyfunc.backend: === Running command 
'exec gunicorn --timeout=60 -b 127.0.0.1:5000 -w 1 ${GUNICORN_CMD_ARGS} -- 
mlflow.pyfunc.scoring_server.wsgi:app'
[2023-03-12 16:28:29 -0400] [48431] [INFO] Starting gunicorn 20.1.0
[2023-03-12 16:28:29 -0400] [48431] [INFO] Listening at: http://127.0.0.1:5000 
(48431)
[2023-03-12 16:28:29 -0400] [48431] [INFO] Using worker: sync
[2023-03-12 16:28:29 -0400] [48432] [INFO] Booting worker with pid: 48432
Introduction à MLflow

Requête Invocations

# Envoyer une charge utile en orientation dataframe_split à MLflow
curl http://127.0.0.1:5000/invocations -H 'Content-Type: application/json' -d '{
  "dataframe_split": {
      "columns": ["sex", "age", "weight"],
      "data": [["male", 23, 160], ["female", 33, 120]]
  }
}'

{"predictions": [1, 0]}
Introduction à MLflow

Passons à la pratique !

Introduction à MLflow

Preparing Video For Download...