動作環境

今回 lightGBMを利用するので、記事作成時点（2020年11月）で最新RuntimeのDatabricks 7.4MLを利用しています

追加の外部ライブラリをインストールしたい場合

クラスターの Libraries タブからインストールすることが可能です（7.4MLは既にlightGBMがインストール済み）

MLflow Trackingでモデルの評価をする

irisデータセットをlightGBMで学習させてみる。Databricksクラスターを起動後、Notebook上で以下のサンプルコードを実行してみます
- 以下では、自動トラッキングの有効化（mlflow.lightgbm.autolog())をしているため、自動的にパラメータとメトリックがトラッキングされます。

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, log_loss
import lightgbm as lgb

import mlflow
import mlflow.lightgbm
def train(learning_rate, colsample_bytree, subsample):

  # データ準備
  iris = datasets.load_iris()
  X = iris.data
  y = iris.target
  X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

  # lightgbmの形式にする
  train_set = lgb.Dataset(X_train, label=y_train)
  
  # 自動トラッキング
  mlflow.lightgbm.autolog()
  
  with mlflow.start_run():

      # モデルを学習する
      params = {
          "objective": "multiclass",
          "num_class": 3,
          "learning_rate": learning_rate,
          "metric": "multi_logloss",
          "colsample_bytree": colsample_bytree,
          "subsample": subsample,
          "seed": 42,
      }
      model = lgb.train(
          params, train_set, num_boost_round=10, valid_sets=[train_set], valid_names=["train"]
      )

      # モデルの評価
      y_proba = model.predict(X_test)
      y_pred = y_proba.argmax(axis=1)
      loss = log_loss(y_test, y_proba)
      acc = accuracy_score(y_test, y_pred)

      # log metrics
      mlflow.log_metrics({"log_loss": loss, "accuracy": acc})

何回かパラメータを変更して実行してみます

train(0.1, 1.0, 1.0)
train(0.2, 0.8, 0.9)
train(0.4, 0.7, 0.8)

Notebookの右上の ①Experimentアイコンをクリックすると実験結果②が表示されます
③のボタンをクリックすると実験結果一覧画面が表示されます
実験結果を全選択①して、Compare②ボタンを押下すると実験結果の比較画面が表示されます（パラメータの差分と評価指標が一覧で比較することができる）

Model Registryにモデルを登録する

MLflow Model Registry on Databricksは、モデルのバージョン、ステージ遷移（ステージングから本番への移行）、モデルの説明等をDatabricksのファイルシステム上で管理するモデルレジストリです
先ほどのモデル評価結果の比較画面のRunIDをクリックしてモデル詳細画面を表示します
Artifactsの中のRegister Modelボタンをクリックすることで Model Registryへ登録するこができます
既存のモデル名を指定（version up）もしくは新規モデル名を入力します
登録されたモデルは Modelsタブから確認することができます

Model Servingを利用して推論APIを立ち上げる

MLflow Model Servingはモデルレジストリのモデルに対して有効にすると固有の単一ノードクラスタを自動的に作成されて、RESTエンドポイントとして利用することができます。モデルレジストリのバージョンとステージに基づいて自動的にデプロイされます

Modelのステージを変更する

今回登録したモデルはversion 2、ステージはNoneとなっています。これからステージをProductionへ変更する要求をします
モデルレジストリ画面からversion 2のモデル詳細画面に遷移して Stage: None①をクリックして、Request transition to -> Production②をクリックします
別のユーザーのモデル詳細画面ではステージ変更要求が表示されています
承認するとステージを変更することができます

Model Servingを有効にする

モデルレジストリのモデル詳細画面のServingタブからEnable Servingボタンをクリックすることで有効化することができます
しばらくするとモデルバージョン、ステージ毎にRESTエンドポイントが起動されたことを確認できます

クライアント側からAPIを利用する

クライアント側からAPIにアクセスするために、セキュリティトークンを払い出してもらう必要があります
- 管理者アカウントのUser Setting画面からAccess Tokensタブから作成することができます
curlからAPIを利用してみます

export DATABRICKS_TOKEN={トークン}

cat <<EOF > ./data.json
 [
   {
     "sepal length(cm)": 4.6,
     "sepal width(cm)": 3.6,
     "petal length(cm)": 1,
     "petal width(cm)": 0.2
   }
 ]
 EOF

curl \
  -u token:$DATABRICKS_TOKEN \
  -H "Content-Type: application/json; format=pandas-records" \
  -d@data.json \
  https://dbc-xxxxxxxxxxxxx.cloud.databricks.com/model/iris_model/Production/invocations
[[0.9877602676352799, 0.006085719008512947, 0.006154013356207185]]

最後に

今回はMLflowをDatabricksのNotebook上から利用できる機能について解説をしてみました。まだまだ紹介できていない機能もあるので、次回まとめてみたいと思います。