MLflow

MLflow verfolgt die Parameter, Metriken und Artefakte jedes ML-Trainingslaufs, damit ein Team Experimente vergleichen und Ergebnisse reproduzieren kann, verpackt trainierte Modelle in einem Standardformat, das über Serving-Frameworks hinweg funktioniert, und verwaltet eine Model Registry zum Versionieren und Befördern von Modellen Richtung Produktion. Es ist framework-agnostisch und funktioniert mit PyTorch, TensorFlow, scikit-learn und anderen, die bereits in diesem Katalog sind.

MLflow eignet sich für Data-Science-Teams, die Experimente systematisch verfolgen und Modelle verwalten müssen, statt verstreut in Notebooks und Tabellen – es füllt eine MLOps-Lücke, die in den ML-Framework-Einträgen dieses Katalogs derzeit fehlt.