Microsoft har varit allvarliga om att hjälpa data forskare spåra och hantera deras lärande experiment för lite tid nu. Till exempel företagets Azure Machine Learning (Azure ML) moln-tjänsten har stöd avverkning av experiment, inklusive iterativa körs med olika algoritmer, hyperparameter värden, eller både och.
Medan Azure ML har haft sin egen ram för sådana experiment för övervakning och spårning, vid förra årets Spark+AI Toppmötet, sin partner Databricks lanserade open source MLflow projekt för hantering av liknande uppgifter. MLflow är utformad för att fungera med de flesta i alla miljöer, inklusive kommandoraden, bärbara datorer och mycket mer, och dess popularitet har haft en imponerande utveckling under det senaste året, till synes som en följd av att öppna läggning.
Läs också: Apache Gnista skapare ställer ut för att standardisera distribueras machine learning utbildning, genomförande och distribution
Ansluta prickar
Microsoft och Databricks är nära partner, och MLflow stöds direkt i Azure Databricks. Men idag, på årets Spark+AI Toppmöte mellan de två företagen meddelar att Microsoft kommer nu att vara en aktiv bidragsgivare till MLflow projektet och kommer att stödja det inbyggt från Azure ML.
Eftersom chansen skulle ha det, jag är på Visual Studio Live! konferens i New Orleans den här veckan, och jag råkar presentera på Azure Databricks idag. Som en del av den presentation jag har jobbat på en demo av MLflow bara denna vecka, så denna nyhet är helt rätt i tiden.
En liten kod kommer att göra ya
Medan många aspekter av att göra maskininlärning kan vara ganska komplicerat och även lite Rube Goldberg i naturen, MLflow är uppfriskande enkel. Bara genom att lägga till ett par rader kod i funktionen eller skript som utbildar modell, data forskare kan logga in parametrar, variabler, artefakter (tomter, diverse filer, etc.) och ett sättas förpackningar av ML modell. Varje gång som function-eller skript körs, kommer resultaten att bli inloggad automatiskt som en biprodukt av dessa rader kod som läggs till, även om den part som gör träningen kör inte gör någon särskild ansträngning för att dokumentera resultatet.
MLflow application programming interfaces (Api: er) är tillgänglig för Python -, R-och Java-programmering språk, och MLflow sport ett språk-agnostiker REST API. Databricks säger att projektet har nästan 500.000 nedladdningar varje månad, under 80-kod bidragsgivare och 40 bidra organisationer.
Nu kommer Microsoft att vara en aktiv bidragsgivare till projektet, alltför. Det borde bidra till att standardisera DevOps av AI, över språk, moln och maskininlärning ramar. Och, om du frågar mig, att standardisering kan inte komma snart nog.
Relaterade Ämnen:
Cloud
Digital Omvandling
CXO
Sakernas Internet
Innovation
Affärssystem