從 Day 11 開始,我們已經完成:
mlflow models serve
啟動 REST API。👉 今天我們要 總結這段流程,整理一份完整的「企業級推薦系統開發 → 部署」藍圖,幫助我們把前面學的點串成一條線。
使用 MLflow Experiment 來記錄每次 run:
params
(參數,如 max_features, min_df)metrics
(指標,如 Precision@10)artifacts
(推薦清單 JSON, 特徵重要性 JSON)好處:
用 mlflow.pyfunc.log_model(..., registered_model_name="AnimeRecsysModel")
註冊模型。
每次訓練會新增一個版本:
Registry 提供:
意涵:
兩種方式:
快速 Demo:mlflow models serve -m "runs:/<run_id>/model"
企業級部署:mlflow models serve -m "models:/AnimeRecsysModel/Staging"
(實驗) Train Models → MLflow Tracking
│
▼
(選模) MLflow UI → 比較 metrics/artifacts
│
▼
(登錄) MLflow Model Registry
│
┌──────┴────────┐
│ │
(Staging) (Production)
│ │
▼ ▼
mlflow models serve → 實際對外 API
MLflow 的好用之處在於 追蹤 + 註冊 + 部署 一條龍。
Day 11–17 我們已經完成一個小型企業級推薦系統:
👉 接下來 Day 19,我們要進一步學習 CI/CD 架構設計,讓這套流程可以自動化運行,不用辛苦靠手動。