MLflow
Plataforma open source para rastrear experimentos y gestionar el ciclo de vida de modelos.
CategoríaMLOps
DificultadIntermedio
Tiempo de aprendizaje2-3 semanas
¿Qué puedes lograr con esta herramienta?
Los resultados prácticos que desbloquea.
- Registrar parámetros, métricas y artefactos de cada experimento automáticamente
- Comparar decenas de corridas de entrenamiento en una sola interfaz
- Empaquetar y versionar modelos listos para desplegar
Descripción
MLflow es la herramienta open source más usada para rastrear experimentos de ML: qué parámetros se usaron, qué métricas se obtuvieron y qué modelo resultó, todo en un registro centralizado independiente del framework de ML.
Casos de uso
- Tracking de experimentos de entrenamiento
- Registro y versionado de modelos
- Empaquetado reproducible de proyectos de ML
- Despliegue de modelos desde un registro central
Instalación
pip install mlflowEjemplo básico
import mlflow
with mlflow.start_run():
mlflow.log_param("n_estimators", 300)
mlflow.log_metric("accuracy", 0.91)
mlflow.sklearn.log_model(model, "modelo")Ventajas y limitaciones
Ventajas
- Open source, agnóstico al framework de ML
- Cubre tracking, registro y despliegue en una sola herramienta
- Fácil de correr localmente o autoalojado
Limitaciones
- La interfaz de usuario es más básica que la de herramientas comerciales
- Autoalojar el servidor de tracking requiere mantenimiento propio
Alternativas
Herramientas que resuelven un problema parecido de otra forma.