Partager via

Accéder au serveur de suivi MLflow depuis l’extérieur d’Azure Databricks

  • Article

Vous souhaiterez peut-être vous connecter au serveur de suivi MLflow à partir de vos propres applications ou de l’interface CLI MLflow.

Cet article décrit les étapes de configuration requises. Commencez par installer MLflow et configurer vos informations d’identification (étape 1). Vous pouvez ensuite configurer une application (étape 2) ou configurer l’interface CLI MLflow (étape 3).

Pour plus d’informations sur le lancement d’un serveur de suivi open source et sur la connexion à ce dernier, consultez la documentation open source de MLflow.

Étape 1 : Configurer votre environnement

Si vous n’avez pas de compte Azure Databricks, vous pouvez essayer Databricks gratuitement.

Pour configurer votre environnement afin d’accéder à votre serveur de suivi MLflow hébergé par Azure Databricks :

  1. Installez MLflow en utilisant pip install mlflow.
  2. Configurez l’authentification. Effectuez l’une des opérations suivantes :

    • Générez un jeton d’API REST et créez un fichier d’informations d’identification en utilisant databricks configure --token.

    • Spécifiez les informations d’identification par le biais de variables d’environnement :

      # Configure MLflow to communicate with a Databricks-hosted tracking server
export MLFLOW_TRACKING_URI=databricks
# Specify the workspace hostname and token
export DATABRICKS_HOST="..."
export DATABRICKS_TOKEN="..."

Étape 2 : Configurer les applications MLflow

Configurez les applications MLflow pour qu’elles se connectent à Azure Databricks en définissant l’URI de suivi sur databricks, ou databricks://<profileName>, si vous avez spécifié un nom de profil via --profile lors de la création de votre fichier d’informations d’identification. Par exemple, vous pouvez y parvenir en affectant à la variable d’environnement MLFLOW_TRACKING_URI la valeur « databricks ».

Étape 3 : Configurer l’interface CLI MLflow

Configurez l’interface CLI MLflow pour qu’elle communique avec un serveur de suivi Azure Databricks avec la variable d’environnement MLFLOW_TRACKING_URI. Par exemple, pour créer une expérience en utilisant l’interface CLI avec l’URI de suivi databricks, exécutez :

# Replace <your-username> with your Databricks username
export MLFLOW_TRACKING_URI=databricks
mlflow experiments create -n /Users/<your-username>/my-experiment