MLflow в облаке. Простой и быстрый способ вывести ML-модели в продакшен

MLflow — один из самых стабильных и легких современных инструментов, позволяющих специалистам по Data Science управлять жизненным циклом моделей машинного обучения на всем его протяжении. Это удобный инструмент с простым пользовательским интерфейсом для просмотра экспериментов и мощными средствами упаковки моделей, управления ими и их развертыванием. Он позволяет работать практически с любой библиотекой машинного обучения. На вебинаре мы прошли все этапы установки и настройки MLflow в максимально близком к production варианте, а также показали, как реализовать использование облачных сервисов в качестве различных backend-сервисов MLflow. Данный вебинар продолжает нашу серию про MLOps. Ранее мы рассматривали проект Kubeflow. В сравнении с ним MLflow — более стабильный, production-ready инструмент. За счет того, что MLflow не использует Kubernetes, он более прост в работе, но в целом хуже масштабируется и не так хорошо интегрируется с K8s. В MLflow меньше функций: в частности, в отличие от KubeFlow в него не встроен JupyterHub, поэтому на вебинаре мы развернули его отдельно.