24、机器学习项目实践：利用MLflow完善MVP与运行时优化

机器学习项目实践：利用MLflow完善MVP与运行时优化

1. MLflow助力日志记录与实验跟踪

在项目开发中，记录关键信息至关重要。在MLflow出现之前，数据科学（DS）团队为了生产目的，会将关键信息记录到关系型数据库管理系统（RDBMS）的表中，大规模团队可能会使用NoSQL解决方案来处理可扩展性问题，甚至有人会编写ETL作业来解析系统日志以获取模型的关键数据。

MLflow通过创建一个统一的框架，简化了指标、属性和工件的日志记录，消除了机器学习日志记录中耗时的工作。例如，在Spark上运行的示例中，除了与调优执行相关的典型信息外，还记录了每个机场的指标和参数，以及预测图表。

若要记录额外数据，可通过以下方式操作：
- 对于运行信息日志记录，使用 mlflow.set_tag(<key>, <value>) 添加标签。
- 对于更复杂的信息（可视化、数据、模型或高度结构化的数据），使用 mlflow.log_artifact(<location and name of data on local filesystem>) 将信息作为工件进行记录。

将特定模型调优和训练事件的所有信息记录在一个独立于运行系统的地方，能在需要重现模型训练时的精确条件，以及解释特定构建情况时节省大量时间和精力。同时，能快速回答业务方关于模型性能的问题，可显著降低项目被放弃的概率，还能节省改进表现不佳模型的时间。

2. 版本控制、分支策略与团队协作

项目能否及时、有序地交付到最小可行产品（MVP）阶段，很大程度上取决于团