MLflow 統合を使い始める

mlflow-mongodbパッケージをインストールします。

mlflow-mongodbパッケージをインストールするには、次のコマンドを実行します。パッケージには MLflow もインストールされます。

python -m pip install mlflow-mongodb

接続文字列を準備します。

プラグインでは、 接続文字列のパスに MLflow データを保存するデータベースの名前が必要です。次の接続文字列のプレースホルダーを自分の値に置き換えます。

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

MLflowサーバーを起動します。

次のコマンドを実行して、サーバーを起動します。 <connection-string> を前の手順の接続文字列に置き換えます。

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 は、サーバーの mlartifactsディレクトリにアーティファクトを保存します。 MLflow UI を表示するには、ブラウザで http://127.0.0.1:5000 を開きます。

例ファイルを作成します。

次の例では、mongodb-backend-demo という名前の実験を作成し、mlflow.start_run() メソッドを呼び出して実行を開始します。の実行では、次の項目がログに記録されます。

• model_type parameter

• accuracy メトリクス

• run-summary.txt アーティファクト

このチュートリアルの例では、mlflow.set_tracking_uri() メソッドを呼び出してサーバーに接続します。クライアントコードを変更せずに MLflow クライアントを接続するには、MLFLOW_TRACKING_URI 環境変数を http://127.0.0.1:5000 に設定します。

次のコードを log_run.py という名前のファイルに保存します。

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)

ファイルを実行します。

python log_run.py

出力には実行IDが含まれます。 MLflow は、実験、実行、パラメーター、メトリクスをMongoDBに保存し、 アーティファクトを アーティファクト ストア に保存します。

MLflow UIで実行を表示します。

ブラウザで http://127.0.0.1:5000 に移動し、mongodb-backend-demo の実験を開きます。 Runsタブで、 実行を選択して、そのパラメーター、メトリクス、アーティファクトを表示します。 MLflow UIでの実行は、次のイメージのようになります。

例ファイルを作成します。

次の例では、 log_model() メソッドを呼び出し、モデルを mongodb-backend-demo-model として登録しています。次に、コードはエイリアスとタグを設定します。ファイルをregister_model.py として保存します。

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")

ファイルを実行します。

python register_model.py

MLflow UIでモデルを表示します。

ブラウザで、http://127.0.0.1:5000 に移動し、Registered Models をクリックし、mongodb-backend-demo-model を選択して、そのバージョン、エイリアス、タグを表示します。 MLflow UIの新しいモデル バージョンは次の画像のようになります。

トレースを有効にします。

トレースを有効にするには、次のいずれかの方法を使用します。

• mlflow.<flavor>.autolog()OpenAI や Lgachein など、サポートされているフレームワークまたはプロバイダーへの呼び出しをトレースするには、 メソッドを呼び出します。詳細については、MLflow ドキュメントの「 自動トレース機能 」を参照してください。

• トレースする関数に @mlflow.trace 修飾子を追加します。

次の例では、@mlflow.trace 修飾子を使用して、エージェントを呼び出す関数を追跡します。ファイルをtrace_agent.py として保存します。

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")

ファイルを実行します。

python trace_agent.py

MLflow UIでトレースを表示します。

MLflow UIで agent-traces 実験を開き、Traces をクリックします。 MLflow UIのトレースは次の画像のようになります。