模型管理 (Beta)
This is a Beta feature. The page content is subject to change.
資料科學家頻繁地用各種參數・資料集・特徵等組合反覆地訓練模型，並針對各個版號的模型進行反覆實驗以找出合適的模型，進一步部署模型成服務以得到更多的回饋，再重回反覆訓練出更佳更調適的模型。現今，這個循環作業流程為 MLOps 的一部分。
鑑於模型版號管理的需求，PrimeHub 整合廣泛使用的 MLflow 提供使用者模型追蹤管理功能 Models 並進一步銜接原有 Deployment 功能。資料科學家得以從模型訓練、版號管理、模型部署 簡易迅速的反覆地完成此流程。
MLflow is required
必須具備一個可存取且運作中的 MLflow instance 服務， 並於 Group Setting 中的 MLflow 頁籤填入設定值來綁定服務。
MLflow setting 尚未設定
MLflow 服務未運作/無法存取
Models
此頁顯示綁定 MLflow 服務中已登錄追蹤的 Registered Models。
- 從 Notebook 遞交 Model 至 MLflow Tracking 請見 Tutorial: Use MLflow Tracking。
如果第一次進入頁面一直看到頁面在載入時，請於 Group Setting 再次確認
MLflow Tracking URI設定值是否正確。
MLflow UI：點擊，開啟新分頁導向綁定 MLflow 服務的網頁介面。
一旦 Model 進一步登錄於 MLflow 中 (點擊 Register Model)，該 Registered Model 將會顯示在 Models 清單中。
Versioned Model List
點擊 Model 名稱，導向顯示所有版號的 Model。
Version: 版號Registered At: 登錄日期時間Deployed By: 如果此版號 Model 被部署的話，將會顯示該部署名稱；點擊部署名稱會導向至該部署詳細資訊頁。Deploy： 點擊，部署該版號 Model
Versioned Model Detail
點擊版號，導向顯示該版號的詳細資訊。
Registered At：登錄日期時間Last Modified：最後更新時間Source Run: 連結到 MLflow 中 Run 的資訊頁Parameters: 參數Metrics: 測量結果Tags: 標籤
Deploy Versioned Model
選定想要部署的 Model 版號，點擊 Deploy，於對話框選擇建立新部署 + Create new deployment 或是選擇更新已存在的部署。選擇後導向 模型部署 並填入必要資訊送出部署。
Deployed
Model 部署後，在 Deployed by 欄位會顯示該部署的名稱，點擊部署名稱會導向該部署詳細資訊頁。
從該部署詳細資訊頁， Model URI 會顯示 models:/<model_name>/<model_version>，如： models:/tensorflow-model/2。
models:/: 顯示此 Model 來自於 MLflow 登錄追蹤。<model_name>: 模型名稱<model_version: 模型版號