STACKIT AI Model Experiments basiert auf MLflow und ermöglicht das zentrale Tracking von ML-Experimenten, Parametern, Metriken und Modellen. Der Dienst ergänzt STACKIT AI Model Serving für einen vollständigen MLOps-Workflow.
Funktionen
- Experiment Tracking: Automatisches Logging von Parametern, Metriken und Artefakten
- Model Registry: Zentrale Verwaltung und Versionierung von ML-Modellen
- MLflow-kompatibel: Vollständige Kompatibilität mit dem MLflow-Ökosystem
- Integration: Nahtlose Anbindung an STACKIT AI Model Serving und Notebooks
- Team-Kollaboration: Gemeinsamer Zugriff auf Experimente und Modelle
Typische Anwendungsfälle
MLOps-Lifecycle: Data-Science-Teams tracken Experimente, registrieren die besten Modelle und deployen sie direkt über STACKIT AI Model Serving.
Reproduzierbarkeit: Alle Experimente werden mit Parametern, Code-Version und Datensatz-Referenzen gespeichert, sodass Ergebnisse jederzeit reproduziert werden können.
Vorteile
- DSGVO-konform: Alle Modell-Artefakte in deutschen Rechenzentren
- Open Source Basis: MLflow ist ein etablierter Open-Source-Standard
- Vollständiger MLOps-Stack: In Kombination mit Notebooks, Workflows und AI Model Serving
- Kein Vendor Lock-in: MLflow-Artefakte sind portabel
Integration mit innFactory
Als offizieller STACKIT Partner unterstützt innFactory Sie beim Aufbau von MLOps-Pipelines: von der Experimentverfolgung bis zum produktiven Modelleinsatz auf souveräner STACKIT-Infrastruktur.
Typische Anwendungsfälle
Tracking von ML-Experimenten und Parametern
Modell-Versionierung und -Registry
MLOps-Workflow-Integration
Team-Kollaboration bei ML-Projekten
