Comience con la integración de MLflow.

Instale el paquete mlflow-mongodb.

Ejecute el siguiente comando para instalar el paquete mlflow-mongodb. El paquete también instala MLflow.

python -m pip install mlflow-mongodb

Prepara tu cadena de conexión.

El complemento requiere el nombre de la base de datos que almacena sus datos de MLflow en la ruta de la cadena de conexión. Reemplace los marcadores de posición en las siguientes cadenas de conexión con sus valores:

mongodb+srv://<db_username>:<db_password>@<cluster-host>/<database>?retryWrites=true&w=majority

mongodb://<db_username>:<db_password>@<host>:<port>/<database>?retryWrites=true&w=majority

Inicie el servidor MLflow.

Ejecute los siguientes comandos para iniciar el servidor. Reemplace <connection-string> con la cadena de conexión del paso anterior:

export TRACKING_STORE_URI="<connection-string>"export REGISTRY_STORE_URI="<connection-string>"export MLFLOW_BIND_HOST="127.0.0.1"export MLFLOW_BIND_PORT="5000"
mlflow server \  --backend-store-uri "${TRACKING_STORE_URI}" \  --registry-store-uri "${REGISTRY_STORE_URI}" \  --host "${MLFLOW_BIND_HOST}" \  --port "${MLFLOW_BIND_PORT}"

MLflow almacena los artefactos en el directorio mlartifacts del servidor. Para ver la interfaz de usuario de MLflow, abra http://127.0.0.1:5000 en su navegador.

Crea el archivo de ejemplo.

El siguiente ejemplo crea un experimento llamado mongodb-backend-demo y luego inicia una ejecución llamando al método mlflow.start_run(). La ejecución registra los siguientes elementos:

• model_type parameter

• accuracy Métrica

• run-summary.txt artefacto

Los ejemplos de este tutorial se conectan al servidor mediante el método mlflow.set_tracking_uri(). Para conectar clientes MLflow sin modificar el código del cliente, establezca la variable de entorno MLFLOW_TRACKING_URI en http://127.0.0.1:5000.

Guarda el siguiente código en un archivo llamado log_run.py:

import mlflow
mlflow.set_tracking_uri("http://127.0.0.1:5000")mlflow.set_experiment("mongodb-backend-demo")
with mlflow.start_run() as run:    mlflow.log_param("model_type", "example")    mlflow.log_metric("accuracy", 0.92)    mlflow.log_text("Hello from the MongoDB backend", "run-summary.txt")    print("run_id:", run.info.run_id)

Ejecute el archivo.

python log_run.py

La salida incluye el ID de ejecución. MLflow almacena el experimento, la ejecución, los parámetros y las métricas en MongoDB, y el artefacto en el almacén de artefactos que hayas configurado.

Visualiza la ejecución en la interfaz de usuario de MLflow.

En tu navegador, ve a http://127.0.0.1:5000 y abre el experimento mongodb-backend-demo. En la pestaña Runs, selecciona la ejecución para ver sus parámetros, métricas y artefactos. La ejecución en la interfaz de usuario de MLflow se parece a la siguiente imagen:

Crea el archivo de ejemplo.

El siguiente ejemplo llama al método log_model() y registra el modelo como mongodb-backend-demo-model. A continuación, el código establece el alias y la etiqueta. Guarda el archivo como register_model.py:

import mlflowfrom mlflow import MlflowClientfrom mlflow.pyfunc import PythonModel
mlflow.set_tracking_uri("http://127.0.0.1:5000")mlflow.set_experiment("mongodb-backend-demo")
class EchoModel(PythonModel):    def predict(self, context, model_input):        return model_input
with mlflow.start_run():    mlflow.pyfunc.log_model(        name="model",        python_model=EchoModel(),        registered_model_name="mongodb-backend-demo-model",    )
client = MlflowClient()client.set_registered_model_alias("mongodb-backend-demo-model", "mongo-verified", 1)client.set_model_version_tag("mongodb-backend-demo-model", 1, "validated_by", "doc-test")

Ejecute el archivo.

python register_model.py

Visualice el modelo en la interfaz de usuario de MLflow.

En tu navegador, ve a http://127.0.0.1:5000, haz clic en Registered Models y selecciona mongodb-backend-demo-model para ver sus versiones, alias y etiquetas. La nueva versión del modelo en la interfaz de usuario de MLflow se parece a la siguiente imagen:

Habilitar el rastreo.

Para habilitar el rastreo, utilice uno de los siguientes métodos:

• Llama al método mlflow.<flavor>.autolog() para rastrear las llamadas a un marco o proveedor compatible, como OpenAI o LangChain. Para obtener más información, consulta la sección de Rastreo automático en la documentación de MLflow.

• Agregue el decorador @mlflow.trace a las funciones que desea rastrear.

El siguiente ejemplo utiliza el decorador @mlflow.trace para rastrear una función que llama a un agente. Guarde el archivo como trace_agent.py:

import mlflow
mlflow.set_tracking_uri("http://127.0.0.1:5000")mlflow.set_experiment("agent-traces")
@mlflow.tracedef call_agent(prompt: str) -> str:    # Replace this line with your actual LLM or agent call    return f"Echo: {prompt}"
call_agent("Summarize this document")

Ejecute el archivo.

python trace_agent.py

Visualice el registro de seguimiento en la interfaz de usuario de MLflow.

Abra el experimento agent-traces en la interfaz de usuario de MLflow y haga clic en Traces. El rastro en la interfaz de usuario de MLflow se asemeja a la siguiente imagen: