描述
欢迎来到 MLflow 文档，这是您管理端到端机器学习和 AI 生命周期的中心资源。文档经过精心组织，分为两个主要部分，以满足用户的多样化需求。对于那些专注于快速发展的大型语言模型 (LLM) 和代理领域的用户，‘LLMs & Agents’ 部分提供了深入的指导。
在‘LLMs & Agents’ 中，您将发现用于代理和 LLM 应用程序开发的工具和最佳实践。这包括有关跟踪的详细信息，使您能够监控和调试 LLM 交互，以及用于评估代理和模型性能的评估框架。文档还涵盖了提示管理，能够高效地处理和优化提示，以及基础模型部署，指导您完成使 LLM 应用程序可投入生产的过程。此外，它还深入探讨了 AI 治理，确保负责任且合规的 AI 开发。
对于从事传统机器学习工作流的用户，‘Machine Learning’ 部分提供了全面的指南。该领域侧重于核心 ML 功能，例如实验跟踪，这对于记录和比较不同的模型运行至关重要，以及模型打包，确保您的模型可重现且可共享。模型注册表得到了详细解释，提供了一个集中式系统来管理模型版本和阶段。还涵盖了传统 ML 模型的部署策略，以及有关超参数调整和整体模型生命周期管理的指导。两个部分都强调了 MLflow 的开源性质及其与 Databricks 的集成。
MLflow 使数据科学家、ML 工程师和 AI 开发人员能够简化其工作流，增强协作，并确保其 AI 项目的可靠性和可扩展性。无论您是构建复杂的代理系统还是微调经典的 ML 模型，MLflow 的文档都提供了有效利用其强大功能所需的知识。
MLflow 文档的核心功能
AI 应用程序的 LLM 跟踪
代理评估框架
提示管理工具
基础模型部署指南
AI 治理功能
ML 工作流的实验跟踪
模型打包和注册表管理
超参数调整支持
端到端 AI 生命周期管理
开源平台
MLflow 文档入门
探索 LLMs & Agents：访问用于 LLM 和代理可观测性、提示管理和评估的工具。
学习 LLM 应用程序开发：了解如何跟踪、评估和优化 LLM 应用程序和代理工作流。
访问机器学习指南：查找用于实验跟踪、模型打包和注册表管理的综合指南。
开始使用核心功能：了解传统 ML 工作流、超参数调整和模型生命周期管理。
利用开源：为您的项目利用开源 MLflow 平台。
与 Databricks 集成：探索 Databricks 上的 MLflow 以获得增强的功能。
MLflow 文档的使用案例
- LLM 应用程序开发
- 代理工作流管理
- 传统 ML 实验
- 模型生命周期管理
- AI 治理和合规性
- 基础模型部署
- 超参数调整
