Databricks モデルレジストリ

ここでは、モデルレジストリへの保存の記述をまとめていきます。

モデルレジストリの概念

• モデル：モデルフレーバーのmlflow.<model-flavor>.log_modelメソッドの1つでログに記録される実験または実行からログに記録されたMLflowモデル。ログに記録されたら、モデルをモデルレジストリに登録できます。
• 登録モデル：モデルレジストリに登録されているMLflowモデル。登録されたモデルには、一意の名前、バージョン、モデル系統、およびその他のメタデータがあります。
• モデルバージョン：登録済みモデルのバージョン。新しいモデルがモデルレジストリに追加されると、バージョン1として追加されます。同じモデル名に登録された各モデルは、バージョン番号をインクリメントします。
• モデルステージ：モデルバージョンには、1つ以上のステージを割り当てることができます。MLflowは、一般的なユースケースであるNone、Staging、Production、およびArchivedの事前定義されたステージを提供します。適切な権限があれば、ステージ間でモデルバージョンを移行したり、モデルステージの移行をリクエストしたりできます。
• 説明：モデルの意図に注釈を付けることができます。これには、説明と、アルゴリズムの説明、採用されたデータセット、方法論など、チームに役立つ関連情報が含まれます。
• アクティビティ：登録された各モデルのアクティビティ（ステージ移行の要求など）が記録されます。アクティビティのトレースは、実験から段階的なバージョン、本番まで、モデルの進化の系統と監査可能性を提供します。

MLflowモデルレジストリは、MLflowの既存の機能に基づいて構築されており、組織がMLモデルを共有し、実験からテストと本番への移行に協力し、承認とガバナンスのワークフローを実装するための1つの中心的な場所を提供します。

モデルレジストリは、MLモデルをより見つけやすくし、一般的なMLタスクを共同で改善するためのコラボレーション機能を提供することで、チーム間での専門知識と知識の共有を促進します。

開始するには、実験からMLflowモデルを登録するだけです。レジストリを使用すると、モデルの複数のバージョンを追跡し、それぞれにライフサイクルステージ（開発、ステージング、本番、またはアーカイブ）をマークできます。

MLflowモデルレジストリダッシュボードを介して表示されるサンプルの機械学習モデル

上記の画面で登録されているモデルを一覧で表示されます。

すべての実験実行が完了し、レジストリに追加するのに最も適したモデルを決定した後、指定された名前を持つモデルを登録するには、mlflow.register_model() メソッドを使用します。

Python
result=mlflow.register_model("runs:<model-path>", "<model-name>")

指定された名前で新しい登録済みモデルを作成するには、MLflow Client API create_registered_model() メソッドを使用します。 モデル名が存在する場合、このメソッドにより MLflowException がスローされます。

Python
client = MlflowClient()
result = client.create_registered_model("<model-name>")

コマンド以外でレジストリに追加する場合

追加したいモデルの詳細画面を表示

Register Modelボタンをクリックして、登録することができる。

以上がモデルレジストリについてです。

見ていただき、ありがとうございました。

株式会社メソドロジック

川名智士

参照：