背景與目標

過去 19 天，我們從 0 開始，一步步完成了：

• 環境建置（Docker + docker-compose）
• 資料準備與 EDA
• 建立 baseline 與 TF-IDF 模型
• 模型追蹤 (Tracking)
• 模型註冊 (Registry)
• 模型解釋 (Explainability)
• 模型部署 (Serving API)
• 自動化 retrain (Day 19 – PopularTop10 隨機混合版)

👉 今天的目標是：

• 梳理 MLflow 全流程
• 繪製完整架構圖
• 幫助讀者理解這些步驟如何串接
• 為 FastAPI 雙 API 架構（Day 21–25）做鋪墊

1. MLflow 四大核心功能

MLflow 的價值在於四大功能：

1. Tracking (實驗追蹤)

   • 用 mlflow.start_run() 紀錄每次訓練
   • Log params, metrics, artifacts
   • 方便比較不同 run

2. Projects (封裝環境)

   • 用 MLproject + conda.yaml 封裝環境，保證重現性

3. Model Registry (模型註冊)

   • 每次 log 的模型可註冊到 Registry
   • 提供 版本管理 (v1, v2, …) 與 Stage 流程 (Staging, Production, Archived)

4. Model Serving (部署)

   • 用 mlflow models serve 把 Registry 裡的模型直接變成 REST API
   • POST /invocations → 接收請求，回傳推薦結果

2. Day 11–19 的流程回顧

模型建構

• Day 11 → PopularTop10 baseline
• Day 12 → TF-IDF 模型 + Optuna 調參
• Day 13–14 → Pipeline 封裝、加入 genre/type 特徵
• Day 15 → 輸出統一格式，log artifacts
• Day 16 → 模型解釋（單一樣本 + 全資料集）

模型註冊與部署

• Day 17 → 註冊模型，設定 Stage = Staging，serve 成 API
• Day 18 → 模型追蹤與部署總結
• Day 19 → 自動化 retrain（熱門前 7 + 隨機 3），每次 retrain 都建立新版本，並自動 transition to Staging

3. 全流程架構圖

                ┌──────────────────┐
                │   Data Pipeline   │
                │ (ratings, anime) │
                └─────────┬────────┘
                          │
                ┌─────────▼──────────┐
                │   Model Training    │
                │ (Popular, TF-IDF…) │
                └─────────┬──────────┘
                          │
         ┌────────────────┼────────────────┐
         │                │                │
┌────────▼───────┐ ┌──────▼────────┐ ┌─────▼─────────┐
│ Tracking       │ │ Model Registry │ │ Artifacts     │
│ params, metrics│ │ v1, v2, Stage │ │ top10.json    │
└────────┬───────┘ └──────┬────────┘ └─────┬─────────┘
         │                 │                │
         │                 ▼                │
         │         ┌───────────────┐        │
         │         │ Serving (API) │        │
         │         │ /invocations  │        │
         │         └───────┬───────┘        │
         │                 │                │
         └─────────────────┼────────────────┘
                           │
                 ┌─────────▼─────────┐
                 │   Client (UI/API) │
                 │  FastAPI, Streamlit│
                 └────────────────────┘

4. MLflow 在推薦系統中的角色

• 資料科學家：專注於訓練與實驗

  • mlflow.log_param, mlflow.log_metric

• MLOps 工程師：管理版本與部署

  • MlflowClient().transition_model_version_stage

• 應用工程師：直接使用 API 提供推薦

  • mlflow models serve → /invocations

👉 這樣讓 從實驗 → 部署 → 應用 成為一條清晰的流水線。

5. 與 FastAPI 的銜接

Day 21 開始，我們會用 FastAPI：

• 把 MLflow Serve 的 API 包裝成更好用的接口

  • /recommend → 輸入動畫名稱，輸出推薦清單
  • /log-ab-event → 紀錄使用者點擊，用於 AB 測試

• 這樣就能讓推薦系統成為 企業級應用，而不是只停留在 MLflow UI。

重點總結

• MLflow 提供完整的 實驗追蹤 → 模型管理 → 部署 → API 流程。
• Day 11–19 已經把推薦模型完整串起來，並實現了簡單的自動化 retrain。
• Day 20 幫助我們把所有學過的拼圖放在一起，形成一張 全景圖。
• 下一步（Day 21–25），我們會學習 FastAPI，建立雙 API 架構，將 MLflow 的成果真正提供給前端與使用者使用。