Introdução à integração com o MLflow

Instale o pacote mlflow-mongodb.

Execute o seguinte comando para instalar o pacotemlflow-mongodb. O pacote também instala o MLflow.

python -m pip install mlflow-mongodb

Prepare sua string de conexão.

O plugin requer o nome do banco de dados que armazena seus dados do MLflow no caminho da string de conexão. Substitua os espaços reservados nas seguintes connection strings pelos seus 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 o servidor MLflow.

Execute os seguintes comandos para iniciar o servidor. Substitua <connection-string> pela string de conexão da etapa 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}"

O MLflow armazena artefatos no diretório mlartifacts no servidor. Para visualizar a interface do usuário do MLflow, abra http://127.0.0.1:5000 em seu navegador.

Crie o arquivo de exemplo .

O exemplo a seguir cria um experimento chamado mongodb-backend-demo e, em seguida, inicia uma execução chamando o método mlflow.start_run(). A execução registra os seguintes itens:

• model_type parameter

• accuracy Métrica

• run-summary.txt artefato

Os exemplos neste tutorial se conectam ao servidor chamando o método mlflow.set_tracking_uri(). Para conectar clientes MLflow sem alterar o código do cliente , defina a variável de ambiente MLFLOW_TRACKING_URI como http://127.0.0.1:5000.

Salve o seguinte código em um arquivo chamado 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)

Execute o arquivo.

python log_run.py

A saída inclui o ID de execução. O MLflow armazena o experimento, a execução, os parâmetros e as métricas no MongoDB e o artefato no armazenamento de artefatos que você configurou.

Visualize a execução na interface do usuário do MLflow.

No seu navegador, vá para http://127.0.0.1:5000 e abra a experiência mongodb-backend-demo. Na aba Runs, selecione a execução para visualizar seus parâmetros, métricas e artefatos. A execução na interface do usuário do MLflow é semelhante à seguinte imagem:

Crie o arquivo de exemplo .

O exemplo seguinte chama o método log_model() e registra o modelo como mongodb-backend-demo-model. O código então define o alias e a marcação. Salve o arquivo 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")

Execute o arquivo.

python register_model.py

Visualize o modelo na interface do usuário do MLflow.

No seu navegador, vá até http://127.0.0.1:5000, clique em Registered Models e selecione mongodb-backend-demo-model para visualizar suas versões, aliases e tags. A nova versão do modelo na interface do usuário do MLflow se assemelha à seguinte imagem:

Habilitar rastreamento.

Para habilitar o rastreamento, use uma das seguintes abordagens:

• Chame o método mlflow.<flavor>.autolog() para rastrear chamadas para uma estrutura ou provedor compatível, como OpenAI ou LangChain. Para saber mais, consulte Rastreamento automático na documentação do MLflow.

• Adicione o gravador @mlflow.trace às funções que você deseja rastrear.

O exemplo a seguir usa o gravador @mlflow.trace para rastrear uma função que chama um agente. Salve o arquivo 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")

Execute o arquivo.

python trace_agent.py

Visualize o rastreamento na interface do usuário do MLflow.

Abra o experimento agent-traces na interface do usuário do MLflow e clique em Traces. O rastreamento na interface do usuário do MLflow se assemelha à seguinte imagem: