Мне не ясно, можно ли использовать mlflow для обслуживания модели, которая постоянно развивается на основе ее предыдущих прогнозов.
Мне нужно иметь возможность запрашивать модель, чтобы сделать прогноз на основе выборки данных, что является основным использованием mlflow serve. Однако я также хочу, чтобы модель была обновлена внутри, теперь, когда она увидела новые данные.
Это возможно или нужен FR?
Я думаю, что вы сможете сделать это, реализовав пользовательскую модель Python или пользовательский вкус, как это описано в документация. В этом случае вам нужно создать класс, унаследованный от mlflow.pyfunc.PythonModel, и реализовать метод predict, и внутри этого метода вы можете делать что угодно. Вот простой пример из документации:
class AddN(mlflow.pyfunc.PythonModel):
def __init__(self, n):
self.n = n
def predict(self, context, model_input):
return model_input.apply(lambda column: column + self.n)
и эта модель затем может быть сохранена и загружена снова, как обычные модели:
# Construct and save the model
model_path = "add_n_model"
add5_model = AddN(n=5)
mlflow.pyfunc.save_model(path=model_path, python_model=add5_model)
# Load the model in `python_function` format
loaded_model = mlflow.pyfunc.load_model(model_path)
