Opleiding: Training MLflow

Wil je machine learning experimenten reproduceerbaar kunnen tracken en je modellen beheerst kunnen registreren en deployen met MLflow? In deze training werk je met de vier hoofdcomponenten Tracking, Projects, Models en Registry, via de MLflow API, UI en CLI. Je bouwt een complete pipeline waarin je een model opzet, logt, registreert en deployt. Hierdoor ben je in staat om je machine learning workflow overzichtelijk, reproduceerbaar en schaalbaar in te richten.

Algemene omschrijving

Machine learning projecten lopen al snel vast in een wirwar van modellen, datasets, experimenten en deployment-omgevingen. Zonder structuur kost dat tijd en sluipen er fouten in. Tijdens deze training leer je hoe je met MLflow grip houdt op dat hele proces: je logt experimenten, vergelijkt runs, beheert modellen en zet reproduceerbare workflows op. Je werkt daarbij vanuit applicatiecode met de MLflow API, én via de visuele interface en de command line, zodat je zowel de technische integratie als het functionele beheer van experimenten doorgrondt.

Het programma volgt de vier hoofdcomponenten Tracking, Projects, Models en Model Registry. Je past ze hands-on toe in een praktijkcase waarin je een model opzet, traint, logt, registreert en deployt, van begin tot eind in één workflow. Daarnaast kijk je op conceptueel niveau naar hoe MLflow werkt in enterprise- en cloudomgevingen, en naar onderwerpen als security, governance en promptmanagement bij generatieve AI.

Onze trainers zijn, naast trainer, dagelijks werkzaam op dit expertisegebied. Ze koppelen elke functie van MLflow aan realistische use cases uit de praktijk. Waar gewenst en mogelijk stemmen we de voorbeelden af op de technologie-stack en werkpraktijk waarin jij of je team werken. Hierdoor ben je in staat om het geleerde direct in je eigen machine learning workflow toe te passen.

Deze training als bedrijfstraining voor jou en je team?

Elk vraagstuk en elke situatie is anders; daarom staan tijdens een bedrijfstraining jouw organisatie en (bedrijfs)vraagstukken centraal. In goed overleg stellen we een lesprogramma samen dat volledig aansluit bij jouw (jullie!) specifieke uitdaging, wensen en dagelijkse werkpraktijk.

Programma

Tijdens de training MLflow komen onderstaande onderwerpen aan bod.

NB: Mocht je vragen hebben over de inhoud of deze aangepast willen zien op jouw specifieke praktijksituatie of trainingsbehoefte, bel ons dan gerust: we spreken de mogelijkheden graag met je door.

• Introductie MLflow en workflowbeheer
• • Doorgronden wat MLflow is en welk probleem het oplost in machine learning projecten
  • De vier hoofdcomponenten leren kennen: Tracking, Projects, Models en Registry
  • Herkennen hoe MLflow aansluit op libraries als scikit-learn, PyTorch en TensorFlow en op meerdere programmeertalen
• MLflow Tracking: experimenten loggen en vergelijken
• • Een experiment opzetten en runs vastleggen
  • Parameters, metrics en artefacten loggen vanuit je code
  • Runs vergelijken via de UI en de API
  • Werken met tags, notities en metadata
  • Autologging inzetten per library, zoals scikit-learn en TensorFlow
• MLflow Projects: reproduceerbare workflows
• • Projecten structureren met MLproject-bestanden
  • Herhaalbare runs uitvoeren met dependency management
  • Integreren met Git en versiebeheer
• MLflow Models en de Model Registry
• • Modellen opslaan, laden en toepassen in verschillende formaten
  • Modellen lokaal, via REST API of via de CLI deployen
  • Werken met model URI's en structuur aanbrengen in modelbeheer
  • Modellen registreren en versies beheren met goedkeuringsworkflows
  • Statusovergangen doorlopen tussen staging, production en archived, met rollback en modelhistorie
  • Kennismaken met de LoggedModel-architectuur als actuele aanvulling op het traditionele, run-centrische model
• MLflow inrichten voor teams en organisaties
• • Best practices in experimentbeheer toepassen
  • Werken met meerdere gebruikers, tagging en annotaties
  • Kennismaken met model governance, audit trails en securityconcepten
  • Op conceptueel niveau verkennen hoe MLflow werkt in enterprise- en cloudomgevingen, zoals Azure ML en Databricks
  • Zicht krijgen op tracking backend, artefact storage en deploymentstrategieën
  • Kennismaken met promptmanagement voor generatieve AI, waaronder de GenAI-evaluatie- en feedbackmogelijkheden van MLflow 3
• Praktijkcase: een ML-pipeline van begin tot eind
• • Een model opzetten en trainen, bijvoorbeeld met scikit-learn of PyTorch
  • Runs, parameters, metrics en artefacten loggen
  • Het model opslaan, registreren en deployen
  • UI, CLI en API combineren in één workflow
  • Je resultaten evalueren en bespreken

De training is praktisch en interactief van opzet, met veel ruimte voor jouw vragen en werksituatie. Je gaat aan de slag met passende praktijkvoorbeelden. Door actief te oefenen, te analyseren en te evalueren, maak je je de materie stap voor stap eigen en ervaar je hoe je machine learning workflows met MLflow overzichtelijk en reproduceerbaar inricht.

Onze trainers zijn, naast trainer, dagelijks werkzaam op dit expertisegebied. Ze beschikken dus niet alleen over de meest actuele kennis, maar hebben ook essentiële praktijkervaring. Hierdoor zijn ze in staat om een waardevolle vertaalslag te maken van ‘kennis’ naar ‘toepassing binnen jouw organisatie en werksituatie’.

Doelen

Na deze training ben je in staat om:

• MLflow in te zetten om machine learning experimenten gestructureerd te loggen en te vergelijken
• Parameters, metrics en artefacten vast te leggen met de MLflow API, UI en CLI
• Machine learning modellen op te slaan, te registreren en te beheren met MLflow Models en de Model Registry
• Reproduceerbare ML-workflows op te zetten met MLflow Projects en versiebeheer
• Te overzien hoe je MLflow inzet binnen professionele omgevingen, met aandacht voor samenwerking, governance en deployment