MLflow est la première plateforme de développement et d’expérimentation de modèles. Des milliers de scientifiques des données utilisent quotidiennement MLflow Experiment Monitoring pour trouver les meilleurs modèles candidats grâce à une puissante expérience basée sur une interface graphique qui leur permet d’afficher, de filtrer et de trier des modèles en fonction de paramètres, de mesures de performances et d’informations sources.
Aujourd’hui, nous sommes ravis d’annoncer plusieurs améliorations majeures de l’interface utilisateur de MLflow Experiments, notamment une vue graphique configurable fournissant des informations visuelles sur les performances du modèle, une expérience de coordonnées parallèles remaniée pour le réglage et une vue tabulaire simplifiée avec des améliorations pour la recherche et le filtrage. Nous pensons que ces améliorations amélioreront considérablement la vitesse de comparaison des modèles pour les scientifiques des données et leur donneront plus de temps pour se concentrer sur ce qu’ils aiment le plus : créer des modèles impressionnants.
Examinons quelques-unes des principales améliorations et fonctionnalités de la nouvelle interface utilisateur MLflow Experiments.
Analysez les performances de vos modèles avec la nouvelle vue graphique
Afin d’identifier les meilleurs modèles pour la manufacturing, les scientifiques des données s’appuient fortement sur les visualisations des paramètres et des mesures de efficiency de leurs modèles. Par exemple, les graphiques linéaires illustrent la development d’un modèle pendant la formation pour vérifier que sa précision s’améliore, et les graphiques à barres fournissent des informations rapides sur les différences de performances entre plusieurs modèles.
Nous sommes ravis de vous présenter un tout nouveau vue graphique à la web page d’expérience MLflow. La vue graphique est un tableau de bord personnalisable des performances du modèle, prenant en cost les tracés de coordonnées à barres, linéaires, dispersées et parallèles pour tous les paramètres et métriques de vos modèles. Au lieu d’avoir à sélectionner des exécutions et à cliquer sur « comparer », vous pouvez désormais basculer de manière transparente entre la vue tableau et graphique et choisir le mode de comparaison d’exécution que vous préférez. Chaque graphique est configurable et interactif, vous permettant de sélectionner les axes et les données à afficher, de filtrer les factors de données pour trouver les résultats les plus pertinents et d’épingler les meilleurs modèles pour référence future. La vue graphique améliorera considérablement votre expérience et votre vitesse de développement de modèles, réduisant ainsi le besoin de traçage et de calculs manuels.
Ajustez vos modèles plus rapidement avec le nouveau tableau des coordonnées parallèles
Afin de développer des modèles de haute qualité, les scientifiques des données doivent sélectionner avec soin les paramètres du modèle. Ce réglage des hyperparamètres nécessite souvent d’explorer des dizaines, des centaines, voire des milliers de paramètres pour identifier les plus importants. Tout au lengthy de ce processus, le graphique des coordonnées parallèles est un outil extrêmement utile pour visualiser la relation entre les paramètres du modèle et les métriques de efficiency et remark diverses valeurs de paramètres peuvent affecter une métrique donnée.
Nous avons intégré les graphiques de coordonnées parallèles dans la nouvelle vue graphique, ce qui vous permet d’analyser en toute transparence des combinaisons de paramètres à partir de milliers d’exécutions d’entraînement de modèles simultanément. De plus, le graphique des coordonnées parallèles a été reconstruit à l’aide d’un cadre de visualisation avancé, offrant une expérience interactive et hautement évolutive. Les nouvelles fonctionnalités incluent :
- Brushing amélioré – filtrer les exécutions d’entraînement du modèle en fonction des plages souhaitées de paramètres et de valeurs métriques
- Mise en surbrillance de l’exécution – sélectionnez une exécution particulière dans le graphique pour afficher toutes ses métriques et paramètres
- Masquage et épinglage – supprimez les valeurs aberrantes ou gardez à l’esprit les passages importants
Le tableau de coordonnées parallèles remanié rendra le réglage de votre modèle beaucoup plus facile, vous aidant à construire et à expédier rapidement des modèles de haute qualité.
Trouvez les meilleurs modèles avec une vue simplifiée du tableau et une expérience de recherche
Le développement de modèles est un processus itératif. Les information scientists explorent souvent des milliers de modèles candidats avant de sélectionner le meilleur pour la manufacturing. Lorsque de nouvelles données sont collectées et que les exigences de l’software changent, les modèles sont recyclés pour s’assurer qu’ils continuent à faire des prédictions précises. Par conséquent, les scientifiques des données doivent être en mesure de rechercher et de filtrer les résultats de la formation de leurs modèles, ainsi que de suivre les meilleurs modèles au fur et à mesure de la development de leur formation. La nouvelle interface utilisateur MLflow Experiments comprend plusieurs fonctionnalités et améliorations pour rationaliser cette expérience.
Chaque MLflow Run que vous créez porte désormais un nom mémorable pour vous aider à identifier et à comparer les modèles. De plus, vous pouvez désormais épingler les exécutions en haut du tableau des exécutions. Les exécutions épinglées restent toujours visibles pendant que vous continuez à filtrer et à explorer les résultats de la formation de votre modèle, vous pouvez donc maintenant épingler un modèle « de base » pour une comparaison rapide. Enfin, si vous entraînez des modèles avec Databrick AutoML ou Recettes MLflow, la web page Experiment affiche automatiquement les mesures de performances et les attributs de modèle les plus pertinents, ce qui vous permet d’identifier rapidement le modèle optimum. Des informations supplémentaires sur le modèle peuvent facilement être affichées à l’aide de la liste déroulante du sélecteur de colonne.
Nous avons également considérablement simplifié l’expérience de recherche sur l’expérience expérimentale en intégrant des fonctionnalités de suggestion automatique. Tapez simplement le nom d’une mesure de efficiency ou d’un paramètre de modèle dans la barre de recherche, et la liste déroulante de suggestion automatique vous montre remark l’utiliser dans votre requête. La web page d’expérimentation comprend également une liste complète d’exemples de requêtes de recherche pour vous aider à apprendre rapidement la syntaxe.
Premiers pas avec la nouvelle interface utilisateur MLflow Experiments
Avec la nouvelle interface utilisateur améliorée de MLflow Experiments, il n’a jamais été aussi facile de développer des modèles de haute qualité à grande échelle et d’identifier sans effort les modèles optimaux pour la manufacturing. La nouvelle expérience a déjà été publiée dans de nombreux espaces de travail Databricks et sera bientôt disponible partout. Accédez simplement à Expériences dans la barre latérale de l’espace de travail et sélectionnez une expérience pour commencer. Nous vous recommandons vivement d’explorer tout ce que la nouvelle interface utilisateur MLflow Experiments a à offrir et nous attendons vos commentaires avec impatience !
