Databricks uygulamasına MLflow deneme kaynağı ekleme

Yapay zeka uygulamalarınız, aracılarınız, LLM'leriniz ve ML modelleriniz için deneme izlemeyi etkinleştirmek için MLflow denemelerini Databricks Uygulamaları kaynakları olarak ekleyin. MLflow deneyleri, yapay zeka uygulaması geliştirme yaşam döngüsü boyunca çalıştırma süreçlerini düzenlemek ve kaydetmek, parametreleri, metrikleri ve çıktı dosyalarını izlemek için yapılandırılmış bir yöntem sağlar.

MLflow denemesini kaynak olarak eklediğinizde uygulamanız şunları yapabilir:

• Yürütme izlemeleriyle aracılarda ve LLM uygulamalarında hata ayıklama
• Puanlayıcılar kullanarak aracı ve LLM uygulama kalitesini değerlendirme
• LLM uygulamaları için yönetim ve sürüm istemi şablonları
• ML modeli eğitim işlemlerini parametreler, metrikler ve çıktılarla kaydet
• Deneme verilerini, meta verilerini ve çalıştırma geçmişini alma

MLflow deneme kaynağı ekleme

MLflow denemesini kaynak olarak eklemeden önce uygulama kaynağı önkoşullarını gözden geçirin.

1. Uygulama oluştururken veya düzenlerken Uygulama kaynakları bölümünde + Kaynak>MLflow denemesi ekle'ye tıklayın.
2. Çalışma alanınızdaki kullanılabilir denemeler listesinden bir MLflow denemesi seçin.
3. Uygulamanız için uygun izin düzeyini seçin:
   • Okuyabilir: Uygulamaya deneme meta verilerini, çalıştırmalarını, parametrelerini ve ölçümlerini görüntüleme izni verir. Deneme sonuçlarını görüntüleyen uygulamalar için kullanın.
   • Düzenleyebilir: Uygulamaya deneme ayarlarını ve meta verilerini değiştirme izni verir.
   • Yönetilebilir: Uygulamaya deneme için tam yönetim erişimi verir.
4. (İsteğe bağlı) Uygulama yapılandırmanızda denemeye nasıl başvuracağınız için özel bir kaynak anahtarı belirtin. Varsayılan anahtardır experiment.

MLflow deneme kaynağı eklediğinizde:

• Azure Databricks, uygulamanızın service principal seçilen denemede belirtilen izinleri verir.
• Uygulama, MLflow İzleme API'sini kullanarak eğitim çalıştırmalarını günlüğe kaydedebilir ve deneme verilerine erişebilir.
• Erişim yalnızca seçili denemeyle sınırlıdır. Uygulamanız, bunları ayrı kaynaklar olarak eklemediğiniz sürece diğer denemelere erişemez.

Ortam değişkenleri

MLflow deneme kaynağıyla bir uygulama dağıttığınızda Azure Databricks, valueFrom yapılandırmanızdaki app.yaml alanını kullanarak başvurabileceğiniz ortam değişkenleri aracılığıyla deneme kimliğini kullanıma sunar.

Örnek yapılandırma:

env:
  - name: MLFLOW_EXPERIMENT_ID
    valueFrom: experiment # Use your custom resource key if different

Uygulamanızda deneme kimliğini kullanma:

import os
import mlflow

# Access the experiment using the injected environment variable
experiment_id = os.getenv("MLFLOW_EXPERIMENT_ID")

# Set the experiment for tracking
mlflow.set_experiment(experiment_id=experiment_id)

# Log parameters and metrics
with mlflow.start_run():
    mlflow.log_param("learning_rate", 0.01)
    mlflow.log_metric("accuracy", 0.95)
    mlflow.log_artifact("model.pkl")

Daha fazla bilgi için bkz. Kaynaklardan ortam değişkenlerine erişme.

MLflow Denemesi kaynağını kaldırma

Bir uygulamadan MLflow Denemesi kaynağını kaldırdığınızda, uygulamanın hizmet sorumlusu deneme erişimini kaybeder. Denemenin kendisi değişmeden kalır ve uygun izinlere sahip diğer kullanıcılar ve uygulamalar için kullanılabilir olmaya devam eder.

En iyi yöntemler

MLflow deneme kaynaklarıyla çalışırken şu en iyi yöntemleri izleyin:

• Bulunabilirliği geliştirmek için denemeleri proje veya model türüne göre mantıksal olarak düzenleyin.
• Kuruluşunuz genelinde çalıştırmalar ve parametreler için tutarlı adlandırma kuralları kullanın.
• Uzun süre çalışan projeler için deneme bekletme ilkelerini ve depolama yönetimini göz önünde bulundurun.