MLflow 통합 시작하기

mlflow-mongodb 패키지를 설치합니다.

다음 명령을 실행하여 mlflow-mongodb 패키지 설치합니다. 이 패키지 MLflow도 설치합니다.

python -m pip install mlflow-mongodb

연결 문자열 준비합니다.

플러그인에는 연결 문자열 경로에 MLflow 데이터를 저장하는 데이터베이스 의 이름이 필요합니다. 다음 연결 문자열의 자리 표시자를 원하는 값으로 바꿉니다.

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 서버 시작합니다.

다음 명령을 실행하여 서버 시작합니다. <connection-string>을 이전 단계의 연결 문자열 로 바꿉니다.

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}"

MLflow는 서버 의 mlartifacts 디렉토리 에 아티팩트를 저장합니다. MLflow UI 보려면 브라우저에서 http://127.0.0.1:5000을 엽니다.

예시 파일 만듭니다.

다음 예시 mongodb-backend-demo이라는 실험을 생성한 다음 mlflow.start_run() 메서드를 호출하여 실행 시작합니다. 이 실행 다음 항목을 기록합니다.

• model_type parameter

• accuracy 메트릭

• run-summary.txt 인공물

이 튜토리얼의 예시에서는 mlflow.set_tracking_uri() 메서드를 호출하여 서버 에 연결합니다. 클라이언트 코드를 변경하지 않고 MLflow 클라이언트를 연결하려면 MLFLOW_TRACKING_URI 환경 변수를 http://127.0.0.1:5000로 설정하다 .

다음 코드를 log_run.py이라는 파일 에 저장합니다.

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)

파일 실행합니다.

python log_run.py

출력에는 실행 ID 포함됩니다. MLflow는 MongoDB 에 실험, 실행, 매개변수 및 지표 저장하고 구성한 아티팩트 저장 에 아티팩트를 저장합니다.

MLflow UI 에서 실행 확인합니다.

브라우저에서 http://127.0.0.1:5000로 이동하여 mongodb-backend-demo 실험을 엽니다. Runs 탭 에서 실행 선택하여 매개변수, 지표 및 아티팩트를 확인합니다. MLflow UI 의 실행 다음 이미지와 유사합니다.

예시 파일 만듭니다.

다음 예시 log_model() 메서드를 호출하고 모델을 mongodb-backend-demo-model로 등록합니다. 그런 다음 이 코드는 별칭과 태그를 지정하다 설정합니다. 파일 register_model.py(으)로 저장합니다.

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")

파일 실행합니다.

python register_model.py

MLflow UI 에서 모델을 확인합니다.

브라우저에서 http://127.0.0.1:5000로 이동하여 Registered Models을 클릭한 다음 mongodb-backend-demo-model를 선택하여 버전, 별칭 및 태그를 확인합니다. MLflow UI 의 새 모델 버전은 다음 이미지와 유사합니다.

추적을 활성화합니다.

추적을 활성화 하려면 다음 방법 중 하나를 사용합니다.

• OpenAI 또는 LangChain과 같이 지원되는 프레임워크 또는 제공자 에 대한 호출을 추적하려면 mlflow.<flavor>.autolog() 메서드를 호출합니다. 자세한 학습 은 MLflow 문서에서 자동 추적을 참조하세요.

• 추적하려는 함수에 @mlflow.trace 데코레이터를 추가합니다.

다음 예시 @mlflow.trace 데코레이터를 사용하여 에이전트 를 호출하는 함수를 추적합니다. 파일 trace_agent.py(으)로 저장합니다.

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")

파일 실행합니다.

python trace_agent.py

MLflow UI 에서 추적을 확인합니다.

MLflow UI 에서 agent-traces 실험을 열고 Traces을 클릭합니다. MLflow UI 의 추적은 다음 이미지와 유사합니다.