Logo der Linux Foundation
Die Linux Foundation nimmt die Open-Source-Machine-Learning-Plattform MLflow unter ihre Fittiche. Die wurde von Databricks entwickelt und besteht inzwischen aus vier Komponenten, die den Machine-Learning-Lebenszyklus begleiten.
Zugleich mit dem Erscheinen der neuen Version 1.9.1 hat das MLflow-Projekt bekanntgegeben, künftig unter dem Dach der Linux Foundation zu wachsen. MLflow gibt an, mit jeder Machine-Learning-Bibliothek und jeder Sprache zu kooperieren, lässt sich Cloud-übergreifend einsetzen und skaliert zusammen mit Apache Spark auch für große Organisationen bei denen viele Daten anfallen. Das Projekt bietet dabei aktuell vier Komponenten an: Tracking, Projects, Models und ein Modell-Register.
Die Tracking-Komponente dient als API und Benutzerschnittstelle, um Parameter, Codeversionen und Metriken zu loggen und Dateien auszugeben, über die sich dann die Resultate visualisieren lassen. Projects erlaubt es, Die Daten für Machine-Learning-Projekte reproduzierbar in einer Art Paketformat zu verpacken. Auf diese Weise können andere Forscher so ein Projekt einfach nachvollziehen. Auch für Modelle gibt es mit Models ein Paketformat, das die Modelle in den passenden Formaten für unterschiedliche Downstream-Tools aufbereitet. Verwalten lassen sich diese Modelle über ein Modell-Register, das MLflow ebenfalls anbietet.
Anbieterneutrale Heimat
Databricks hat MLflow gestartet, um einen einheitlichen Prozess für die komplizierte Entwicklung von Machine-Learning-Modellen anzustoßen. Dank der Linux Foundation soll das Projekt nun eine anbieterneutrale Heimat erhalten und ein offenes Modell der Projektleitung anwenden. Die Linux Foundation verweist vor allem auf die aktive Community rund um MLflow. Seit der Einführung vor zwei Jahren auf dem Spark und AI Summit haben sich demnach rund 200 Unterstützer um das Projekt herum versammelt. Pro Monat zählt das Projekt inzwischen rund 2 Millionen Downloads. Geht es nach der Linux Foundation, sollen weitere Unterstützer dazu kommen und soll sich MLflow künftig als zentrale Ende-zu-Ende-Plattform für Machine Learning etablieren.
