Suivi d'expériences ML (MLflow)

Ce que cela fait

Fournit un guide étape par étape pour installer et configurer MLflow pour le suivi d'expériences, activer l'autologging pour les frameworks ML courants, gérer les artefacts dans des backends de stockage distants, comparer les runs et générer des rapports, et implémenter des politiques de cycle de vie pour les expériences. Inclut des exemples et des modèles Docker compose pour des configurations prêtes pour la production.

Quand l'utiliser

Utilisez cette compétence lorsque vous démarrez un nouveau projet ML nécessitant un suivi d'expériences reproductible, lors de la migration de journaux manuels vers un serveur de suivi automatisé, pour intégrer le suivi dans le CI/CD, ou lorsque vous avez besoin d'une visibilité partagée des expériences et d'une gestion des artefacts pour l'équipe.

Ce qui est inclus

• Scripts : exemples et modèles docker-compose dans references/EXAMPLES.md (has_scripts=false mais des exemples substantiels sont présents).
• Références : exemples étendus et modèles de configuration (has_references=false dans les métadonnées de récupération, mais le corps de la compétence pointe vers les références).
• Instructions : initialisation du serveur de suivi, activation de l'autologging, modèles de journalisation manuelle, comparaison de runs, configuration des artefacts distants et gestion du cycle de vie.

Agents compatibles

Idéalement utilisé par des agents capables d'exécuter des commandes Python et shell pour provisionner des serveurs, configurer des backends et lancer des scripts d'entraînement ML. Fonctionne avec les agents orientés MLOps et l'automatisation des runs CI.