MLflow est une plateforme open source polyvalente et extensible pour la gestion des flux de travail et des modèles tout au long du cycle de vie de l'apprentissage automatique. Elle a été lancée par Databricks et peut être intégrée à tout processus MLOps existant, mais elle peut également être utilisée pour en créer de nouveaux. MLflow dispose d'intégrations intégrées avec de nombreuses bibliothèques d'apprentissage automatique populaires, mais peut être utilisé avec n'importe quelle bibliothèque, algorithme ou outil de déploiement.
Annoter et gérer des modèles dans un référentiel centralisé
Charmed MLFlow est proposé dans le cadre de l'abonnement Ubuntu Pro de Canonical. Il est facturé par nœud, avec un niveau de support. Il est accompagné de fonctionnalités étendues pour les développeurs, et peut fonctionner sur des configurations informatiques basiques. Il peut être déployé sur un ordinateur portable en quelques minutes et il est entièrement testé sur Ubuntu. Il peut être utilisé sur d'autres systèmes d'exploitation via Multipass de Canonical ou Windows Subsystem for Linux (WSL).Charmed MLFlow dispose de capacités d'enregistrement des modèles, permettant aux professionnels de stocker, d'annoter et de gérer des modèles dans un référentiel centralisé. Cela permet de rationaliser la phase de développement de l'apprentissage machine et offre une visibilité sur le statut de toutes les expériences réalisées, y compris les résultats, les modifications apportées et les configurations possibles.
Rationaliser la mise en production des modèles de ML
Dérivé de MLOps, abréviation de Machine Learning Operations, MLFlow est destiné à devenir une solution de l'ingénierie de l'apprentissage automatique. Elle se concentre sur la rationalisation du processus de mise en production des modèles d'apprentissage automatique, puis sur leur maintenance et leur surveillance. MLOps est une fonction collaborative, qui comprend souvent des data scientists, des ingénieurs DevOps et des informaticiens.En proposant les outils open source nécessaires à l'entraînement et au déploiement de modèles de langage, Canonical se positionne dans la course actuelle à l'IA. Cette sortie de Charmed MLFlow renforce la position de Canonical sur le marché des MLOps en élargissant son portefeuille de produits, et en répondant à la demande des utilisateurs pour des outils flexibles et intégrés, et en tirant parti de la popularité de la plateforme MLFlow.
Charmed MLFlow fonctionne sur n'importe quel environnement, cloud public ou privé, et prend en charge les scénarios hybrides et multicloud. Il fonctionne également sur n'importe quelle distribution Kubernetes conforme à la CNCF (Cloud Native Computing Foundation), telle que MicroK8s, Charmed Kubernetes ou EKS. Les data scientists peuvent déplacer leurs modèles des ordinateurs portables vers l'infrastructure de leur choix, en utilisant la même infrastructure. Cela permet une migration simplifiée entre les clouds, et les professionnels bénéficient ainsi de la puissance de calcul dont ils ont besoin pour leur cas d'utilisation.
Gestion simplifiée du cycle de vie des modèles
Charmed MLFlow bénéficie d'une gestion améliorée du cycle de vie, ce qui facilite le suivi des mises à jour et les mises à jour. En plus des capacités en amont, la distribution Canonical automatise ces tâches et permet aux utilisateurs de les réaliser facilement, ce qui réduit le temps consacré aux opérations et élimine la complexité de l'incompatibilité des bibliothèques, des frameworks et des outils. La solution s'intègre également de manière transparente avec d'autres outils d'apprentissage machine.La solution peut être déployée de manière autonome et intégrée à des outils tels que Jupyter Notebook, Charmed Kubeflow et XServe. En outre, elle inclut la surveillance de l'infrastructure grâce à Canonical Observability Stack (COS). En combinaison avec Charmed Kubeflow, les utilisateurs peuvent exploiter d'autres fonctionnalités telles que l'ajustement des hyperparamètres, la planification des GPU ou le service de modèles.
Un engagement de maintenance de la sécurité sur dix ans
Charmed MLFlow bénéficie de correctifs de sécurité grâce à l'abonnement Ubuntu Pro, comme les correctifs pour les vulnérabilités et expositions courantes (CVE) et d'un engagement de maintenance de la sécurité sur dix ans. Ubuntu Pro offre également des fonctionnalités de renforcement et de conformité à des normes telles que FedRAMP, HIPAA et PCI-DSS, qui sont destinées aux entreprises qui exécutent des charges de travail AI/ML dans des environnements réglementés.Outre les correctifs de sécurité, les entreprises peuvent bénéficier d'une assistance 24/7 pour le déploiement de Charmed Flow, la surveillance du temps de fonctionnement, la correction des bugs et les opérations. Pour les organisations qui manquent d'expertise interne en matière d'infrastructure de machine learning, mais qui souhaitent démarrer, Canonical propose des services gérés.
