Créer des tableaux de bord avec des métadonnées MLflow dans des tables système

À l’aide des métadonnées MLflow dans les tables système, vous pouvez créer des tableaux de bord pour analyser vos expériences MLflow et les exécuter à partir de l’ensemble de l’espace de travail. L’utilisation de l’interface utilisateur MLflow et des API REST existantes pour ces tâches nécessite une itération longue et fastidieuse.

Tableau de bord pour les détails de l’exécution unique

Pour commencer à visualiser vos données MLflow, téléchargez cet exemple de tableau de bord en tant que fichier JSON et importez-le dans votre espace de travail. Ce tableau de bord contient un squelette de données pour répliquer ce qui s’affiche sur la page détails de l’exécution dans l’interface utilisateur MLflow.

Pour un ID d’expérience donné, l’ID d’exécution et le nom de métrique, il affiche les détails de l’exécution avec des balises, des paramètres et un graphique de métrique. Vous pouvez obtenir l’ID d’expérience et exécuter l’ID à partir de la page détails de l’exécution, à la fois à partir de l’interface utilisateur et dans l’URL elle-même : https://<workspace>.databricks.com/ml/experiments/<experiment_id>/runs/<run_id>.

Si vous accédez au panneau du tableau de bord à partir du menu de navigation de gauche, vous pouvez importer le tableau de bord à partir d’une définition de fichier JSON ici. À partir de là, vous pouvez utiliser les zones d’entrée en haut pour filtrer l’exécution et l’expérience pertinentes au sein de votre espace de travail pour tracer. N’hésitez pas à explorer les requêtes et à modifier les tracés pour répondre à vos besoins.

Tableau de bord pour surveiller l’utilisation moyenne du GPU entre les expériences

Sous le quatrième onglet du tableau de bord ci-dessus, vous pouvez entrer un nom de métrique pour obtenir des statistiques récapitulatives dans toutes les expériences avec cette métrique dans une fenêtre de temps donnée. Ces informations peuvent être utiles pour surveiller les métriques système enregistrées par MLflow sur votre espace de travail pour surveiller l’utilisation inefficace du processeur, de la mémoire ou du GPU.

Dans l’exemple, nous pouvons voir plusieurs expériences avec une utilisation moyenne du GPU de moins de 10% que nous pouvons examiner.