MLflow LoggedModel 数据模型（用于生成式 AI）

MLflow LoggedModel 表示在 MLflow Experiments 中用于跟踪和管理 AI 模型、智能体和生成式 AI 应用的一等实体。LoggedModel 提供全面的模型生命周期管理，从开发到生产，并集成可观测性和评估能力。

概览​

LoggedModel 作为一等实体​

LoggedModel 提供了对所有类型的 AI 模型的统一抽象，从传统的机器学习 (ML) 模型到复杂的生成式 AI 智能体和应用程序。每个 LoggedModel 都维护其自身的标识、元数据和执行历史。

LoggedModel 将开发、评估和生产阶段通过一个统一的实体连接起来，该实体跟踪模型的演化、性能指标和部署状态。

全面可观察性​

LoggedModel 核心属性​

模型标识​

每个 LoggedModel 都具有唯一的标识和组织属性：

LoggedModel 存储全面的模型信息：

LoggedModel 与 Traces 的关系​

跟踪管理​

LoggedModel 提供全面的跟踪组织和分析：

LoggedModel 评估集成​

指标与评估​

评估指标直接与 LoggedModel 相关：

LoggedModel 创建模式​

创建方法​

主动模型模式启用自动跟踪关联：

Development to Production​

LoggedModel 支持完整的 AI 模型生命周期：

版本管理​

LoggedModel UI 集成​

用户界面功能​

LoggedModel 提供了全面的 UI 集成：

LoggedModel 提供全面的模型生命周期管理，包括通过全面的跟踪将所有与模型相关的实体集中到一个位置、具有自动跟踪链接和全面监控的集成可观测性、支持系统化模型演进与比较的版本控制，以及保证从开发到生产一致性的部署连续性。

增强的开发体验​

The LoggedModel 抽象使工作流程简化，开发人员可以专注于模型开发，同时 MLflow 自动处理跟踪。全面的可见性提供对模型行为和性能的完整洞察，协作开发使团队成员能够轻松共享和审查模型，并通过集成的指标和评估支持基于数据的决策。

生产就绪​

LoggedModel 最佳实践​

开发工作流程​

主动模型使用涉及在开发过程中利用主动模型模式以实现自动追踪关联。系统性评估要求在部署之前实施全面的评估工作流。迭代改进利用评估结果来指导模型改进。协作模式通过共享 LoggedModel 访问来实现有效的团队工作流。

生产管理​

监控设置可确保全面的生产可观测性就绪。性能跟踪监控所有部署环境中的关键指标。质量保证通过持续评估维护标准。回滚计划为需要时快速回滚模型版本做好准备。

• 创建你的第一个 LoggedModel，通过使用 mlflow.flavor.log_model() 或 mlflow.create_external_model()，并为其提供一个描述性的名称和完整的参数。
• 启用自动跟踪通过 mlflow.set_active_model() 和 mlflow.flavor.autolog() 实现无缝跟踪链接。

下一步​