Machine learning
Expériences
Section intitulée « Expériences »Une expérience regroupe les runs d’entraînement d’un même sujet : paramètres, métriques et artefacts, tracés dans le temps. C’est la trace que réclament les discussions de conformité sur l’IA, et c’est aussi ce qui permet de répondre à « pourquoi ce modèle-là ? » six mois plus tard.
Registre de modèles
Section intitulée « Registre de modèles »Le registre conserve les versions d’un modèle et leur provenance : de quelle expérience, de quel run, avec quels artefacts. Sans registre, une expérience n’a pas de suite.
Compatible avec le client MLflow
Section intitulée « Compatible avec le client MLflow »Le suivi d’expériences est compatible avec le client MLflow : vous pointez le client vers
graal, et vos scripts tracent leurs runs comme avant. La façade est servie sous /mlflow, sur le
même hôte que la console et l’API ; elle implémente un sous-ensemble de l’API REST 2.0 de
MLflow, celui du suivi d’expériences et du registre.
Entraîner
Section intitulée « Entraîner »Un entraînement s’écrit dans un job Python ou Spark, ou dans un notebook, sur le type d’instance choisi — GPU compris. Le client MLflow trace le run, et le modèle entre au registre.
Servir et surveiller
Section intitulée « Servir et surveiller »Un modèle du registre se sert en point d’accès REST, derrière votre SSO, et son comportement se suit dans le temps (dérive des entrées et des prédictions). La page Machine learning du site présente le parcours complet, et la page IA générative la passerelle LLM et le RAG.