毫升工作流升級到目標模型統一目錄

批推理工作流

遵循類似的步驟工作流模型的訓練克隆批推理工作流和更新其計算配置啟用統一目錄的訪問。確保運行克隆批推理的主要工作必要的權限加載模型推理。

模型服務工作流程

如果您使用的是磚模型服務,你不需要克隆現有端點。相反,您可以利用交通分割功能路線的一小部分交通模型統一目錄。

首先,確保校長誰擁有模型的服務端點必要的權限加載模型推理。然後,更新你的克隆模式部署工作流分配一小部分交通模型版本統一目錄。

我習慣模型版本階段過渡。如何促進一個模型在環境?

磚建議部署毫升管道代碼。這消除了需要促進模型在環境中,所有的生產模式可以通過自動化生產培訓工作流程在生產環境中。

然而,在某些情況下,它可能是太貴了再培訓模型在環境。在這樣的場景中,您可以複製模型版本在注冊模型統一目錄來推廣它們在環境中。

你需要以下權限執行下麵的示例代碼:

• 使用目錄在暫存和刺激目錄。

• 使用模式在staging.ml_team和prod.ml_team模式。

• 執行在staging.ml_team.fraud_detection。

此外,您必須注冊的所有者模型prod.ml_team.fraud_detection。

進口mlflow從mlflow.exceptions進口MlflowExceptionmlflow。set_registry_uri(“databricks-uc”)defcopy_model_version(source_model_name,source_model_version,dest_model_name):”“”模型版本統一目錄複製到一個目的地注冊模型。注意,別名不複製源模型版本上。”“”客戶端=mlflow。跟蹤。MlflowClient()source_mv=客戶端。get_model_version(source_model_name,source_model_version)試一試:客戶端。create_registered_model(dest_model_name)除了MlflowException作為e:如果e。error_code! =“RESOURCE_ALREADY_EXISTS”:提高返回客戶端。create_model_version(源=f“模型:/{source_model_name}/{source_model_version}”,的名字=dest_model_name,run_id=source_mv。run_id)#促進從暫存到生產模型版本copied_model_version=copy_model_version(source_model_name=“staging.ml_team.fraud_detection”,source_model_version=1,dest_model_name=“prod.ml_team.fraud_detection”)

在上麵的示例中,隻有用戶可以讀的staging.ml_team.fraud_detection注冊模型和寫prod.ml_team.fraud_detection注冊模式可以促進分段模型生產。你不需要配置其他任何規則或政策來管理模型推廣。

我怎麼執行手動批準部署模型?我可以在事件觸發webhook-like操作嗎?

磚建議完全自動化模型部署如果可能的話,使用適當的檢查和測試模型部署過程。然而,如果你確實需要執行手動批準生產部署模型,您可以使用工作人為外部CI / CD係統要求手動批準部署模型,模型後成功完成培訓工作。手動批準後,CI / CD係統可以部署模型版本為交通服務,例如通過設置“冠軍”的別名。