Créer, héberger et exploiter des solutions IA.

Logo MLflow

MLflow

MLflow — suivez vos expériences ML, versionnez vos modèles et tracez vos applications LLM sur votre VPS, en HTTPS et protégé.

2 Go minimum RAM 1 vCPU Port 8111 En validation

En validation

L'installation automatique de cette solution est prête et passe actuellement nos tests sur serveur réel. La commande ouvrira dès que la validation sera terminée.

Code source

Stack technique

DockerPythonMLflowSQLite
RAM minimum2 Go minimum
CPU minimum1 vCPU
Port par défaut8111
OS compatiblesDistributions Linux au choix

MLflow est la plateforme open source (licence Apache-2.0) de référence pour le cycle de vie du machine learning. Un serveur de suivi central reçoit, depuis vos notebooks et vos scripts d'entraînement, les paramètres, les métriques et les artefacts de chaque exécution : vous comparez vos essais côte à côte au lieu de les recopier dans un tableur.

Le registre de modèles versionne ce qui part en production, avec alias et historique. Et pour les applications d'IA générative, MLflow trace chaque appel à un modèle de langage — entrées, sorties, latence, étapes intermédiaires — pour comprendre une réponse et la déboguer. Sur ServOrbit, le serveur s'installe en un clic, protégé par un compte administrateur et servi en HTTPS.

Fonctionnalités clés

Suivi d'expériences — paramètres, métriques et artefacts de chaque exécution, comparés dans l'interface.
Registre de modèles — versions, alias et historique des modèles destinés à la production.
Traçage LLM — entrées, sorties, latence et étapes de vos applications d'IA générative.
Artefacts servis par le serveur — fichiers, graphiques et modèles envoyés et téléchargés en HTTPS, sans stockage S3 à configurer.
Toutes les bibliothèques Python — scikit-learn, PyTorch, Transformers, XGBoost, OpenAI, LangChain, avec journalisation automatique.
Accès protégé — compte admin au mot de passe généré, exigé sur l'interface et sur l'API ; les autres comptes ne voient que ce qu'on leur partage.

Quand utiliser cette solution ?

1

Comparer vos entraînements

Chaque exécution d'un notebook ou d'un script enregistre ses hyperparamètres et ses métriques : vous retrouvez en un écran l'essai le plus performant, avec son code et ses fichiers.

2

Un registre de modèles pour l'équipe

Enregistrez les modèles validés, donnez-leur un alias comme « production », et laissez votre service d'inférence charger toujours la bonne version.

3

Déboguer une application LLM

Activez le traçage de votre assistant ou de votre agent : chaque requête affiche ses appels au modèle, ses étapes et sa latence, pour comprendre une mauvaise réponse.

Déployer MLflow sur votre VPS

Guide optimisé pour les VPS Cloud ServOrbit.

01

Créer le VPS et choisir l'adresse

Commandez un VPS Ubuntu 24.04 avec 2 Go de RAM (4 Go et plus de disque si vous stockez de nombreux modèles). MLflow exige un domaine : vos scripts, vos notebooks et votre équipe s'y connectent, il doit répondre en HTTPS sur un nom stable. Il s'ouvre sur un sous-domaine de l'un de vos domaines, ou sur le sous-domaine gratuit du VPS (mlflow.{dns_slug}.servorbit-dns.com), HTTPS compris. Inutile d'acheter un nom de domaine.

02

Installer MLflow depuis les Applications en 1 clic

Dans votre espace client, sélectionnez MLflow, choisissez l'adresse et cliquez sur Installer. Le script déploie le conteneur officiel, génère le mot de passe du compte admin, active l'authentification sur l'interface et l'API, limite les noms d'hôte acceptés à votre adresse et configure le reverse proxy nginx en HTTPS.

03

Se connecter la première fois

Ouvrez https://votre-domaine/ : le navigateur demande un identifiant. Saisissez admin et le mot de passe affiché dans votre espace client. Vous pouvez le changer ensuite par l'API users/update-password ; le nouveau mot de passe est conservé aux redémarrages.

04

Brancher vos notebooks et vos scripts

Définissez MLFLOW_TRACKING_URI=https://votre-domaine, MLFLOW_TRACKING_USERNAME=admin et MLFLOW_TRACKING_PASSWORD, puis appelez mlflow.start_run() dans votre code. Les paramètres, métriques et artefacts apparaissent aussitôt dans l'interface.

05

Ouvrir l'accès à votre équipe

Créez un compte par personne avec l'API users/create, connecté en admin. Un nouveau compte ne voit aucune expérience tant que vous ne lui en avez pas partagé : les droits se donnent expérience par expérience et modèle par modèle.

Questions fréquentes

Langfuse se concentre sur les applications LLM : traces, évaluations et gestion des prompts. MLflow couvre tout le cycle du machine learning — suivi des entraînements, comparaison des essais, registre de modèles — et trace aussi les applications d'IA générative. Pour une équipe qui entraîne ses propres modèles, MLflow est le bon point de départ ; pour une application qui n'appelle que des LLM, Langfuse est plus spécialisé.

Solutions complémentaires

Intelligence Artificielle

Langfuse

Plateforme d'observabilité LLM open-source : tracez chaque appel IA, évaluez la qualité des réponses, gérez vos prompts et comparez les coûts de modèles — auto-hébergée sur votre VPS.

Développement

marimo

Notebook Python réactif et open source : notebooks enregistrés en fichiers .py, cellules recalculées automatiquement, bibliothèques de données incluses.

Intelligence Artificielle

Ollama

Servez des LLM open source depuis votre propre serveur. Récupérez Llama 3, Mistral, Qwen ou DeepSeek en une commande, derrière une API compatible OpenAI et sans coût au jeton.

Créer, héberger et exploiter des solutions IA.

MLflow n'est pas encore commandable.

L'installation automatique de cette solution est prête et passe actuellement nos tests sur serveur réel. La commande ouvrira dès que la validation sera terminée.

Besoin d'aide ?

Parcourez notre centre d'aide et notre FAQ, ou contactez notre équipe — rappel, WhatsApp ou e-mail. Support en français, anglais et arabe.

Écrire sur WhatsApps'ouvre dans un nouvel onglet
ou nous écrire