MLflow, la opinión de Joute

Lo esencial

• Plataforma open source para el ciclo de vida de modelos ML (tracking, registry, serving)
• Gratuita y self-hostable
• Integrada con PyTorch, TensorFlow, scikit-learn, LangChain y más
• Para data scientists e ingenieros ML en equipo

¿Qué es MLflow?

MLflow es la plataforma open source de facto para gestionar el ciclo de vida de los proyectos de machine learning. Haces seguimiento de tus experimentos (hiperparámetros, métricas, artefactos), gestionas tus modelos en un registry centralizado y los despliegas en producción. Desarrollado inicialmente por Databricks, MLflow es ahora un proyecto open source con una adopción masiva en equipos ML profesionales.

Puntos fuertes

Tracking de experimentos universal

Unas pocas líneas de código para loguear métricas, hiperparámetros y artefactos desde cualquier framework ML. La comparación visual entre experimentos es clara.

Model Registry centralizado

Versionado de modelos con stages (Staging, Production, Archived). Los equipos pueden promover modelos a producción con un proceso estructurado.

Ecosistema amplio

Integraciones nativas con Spark, Kubernetes, SageMaker, Azure ML. MLflow se integra en cualquier stack existente.

Límites

UI básica

La interfaz web de MLflow es funcional pero no la más ergonómica. Neptune.ai o Weights & Biases tienen UIs superiores.

Sin colaboración avanzada sin Databricks

Para las funcionalidades de colaboración y anotación avanzadas, hay que pasar a MLflow gestionado en Databricks.

Precios

Gratuito y open source. Versión gestionada disponible en Databricks.

Alternativas

Para una UI superior y más funcionalidades de colaboración: Weights & Biases. Para tracking sin configuración: Neptune.ai. Para data science enterprise: Databricks con MLflow integrado.

Veredicto

MLflow es imprescindible para quien hace ML en serio. Gratuito, maduro, adoptado en todas partes. La única debilidad real es una UI que acusa su edad comparada con las alternativas SaaS.

FAQ

¿Funciona MLflow con LangChain?

Sí, desde la versión 2.x MLflow tiene soporte nativo de LangChain para hacer seguimiento de experimentos LLM y evaluar prompts.

¿Cómo se despliega MLflow en producción?

Puedes self-hostearlo en cualquier infraestructura (VM, Kubernetes, cloud). Databricks lo ofrece como servicio gestionado.

¿Soporta MLflow el deep learning distribuido?

Sí, con Spark e integraciones con Horovod y Ray para el entrenamiento distribuido.

¿Qué base de datos usa MLflow?

Por defecto SQLite en local. En producción, se recomiendan PostgreSQL o MySQL.

Joute puede percibir una comisión sobre las suscripciones realizadas a través de los enlaces de este artículo. Esto no cambia nuestras opiniones.