MLflow sur VPS : suivi d'expériences ML et registre de modèles

Lancé en local, MLflow écrit ses résultats dans un dossier mlruns sur votre poste : personne d'autre ne les voit, et ils disparaissent avec la machine. Un serveur de suivi change la donne. Chaque notebook, chaque script d'entraînement et chaque membre de l'équipe envoie ses exécutions au même endroit, et l'interface les compare côte à côte.

Le même serveur porte le registre de modèles — la liste des modèles validés, versionnés, avec un alias pour celui qui est en production — et, pour l'IA générative, les traces de vos appels aux modèles de langage.

Un VPS Ubuntu 24.04 avec 2 Go de RAM suffit pour démarrer ; prévoyez 4 Go et davantage de disque si vous stockez beaucoup de modèles, car ce sont les artefacts qui occupent la place. Il vous faut Docker avec le plugin Compose, et un nom de domaine pointant vers le VPS, avec nginx et un certificat HTTPS : vos scripts et votre équipe s'y connecteront.

Installez le client (pip install mlflow) sur le poste ou le serveur d'entraînement, puis pointez-le vers votre serveur. Les identifiants se passent par variables d'environnement :

import os
import mlflow

os.environ["MLFLOW_TRACKING_USERNAME"] = "admin"
os.environ["MLFLOW_TRACKING_PASSWORD"] = "VOTRE_MOT_DE_PASSE"
mlflow.set_tracking_uri("https://mlflow.example.ma")
mlflow.set_experiment("churn-model")

with mlflow.start_run():
    mlflow.log_param("learning_rate", 0.01)
    mlflow.log_metric("accuracy", 0.93)
    mlflow.log_artifact("confusion_matrix.png")

L'exécution apparaît aussitôt dans l'interface, avec ses paramètres, ses métriques et le fichier envoyé. mlflow.sklearn.autolog() ou mlflow.pytorch.autolog() enregistrent tout cela sans une ligne de plus.

Pour un assistant ou un agent, le traçage enregistre chaque requête avec ses appels au modèle, ses étapes et leur durée. Activez la journalisation automatique de votre bibliothèque, ou décorez vos propres fonctions :

import mlflow

mlflow.set_experiment("support-assistant")
mlflow.openai.autolog()   # chaque appel au client OpenAI devient une trace

@mlflow.trace
def answer(question: str) -> str:
    ...

Les traces s'affichent dans l'onglet de l'expérience : vous voyez quel appel a été lent, quel contexte a été envoyé et ce que le modèle a répondu.

Quand un essai est validé, enregistrez son modèle dans le registre : il reçoit un numéro de version, et vous pouvez lui donner un alias comme production.

mlflow.register_model(f"runs:/{run_id}/model", "churn-model")

Votre service d'inférence charge alors models:/churn-model@production : changer de modèle revient à déplacer l'alias, sans toucher au code.

Le compte admin crée les autres comptes par l'API :

curl -u admin:VOTRE_MOT_DE_PASSE -X POST https://mlflow.example.ma/api/2.0/mlflow/users/create \
  -H 'Content-Type: application/json' \
  -d '{"username": "sara", "password": "UN_MOT_DE_PASSE_LONG"}'

Un nouveau compte ne voit aucune expérience tant qu'on ne lui en a pas partagé : les droits (lecture, édition, gestion) se donnent expérience par expérience et modèle par modèle. Changez le mot de passe admin par l'API users/update-password (en fournissant l'ancien dans current_password) ; le nouveau est conservé aux redémarrages.

Tout l'état de MLflow tient dans le volume mlflow-data : la base des expériences, celle des comptes et le dossier des artefacts. Sauvegardez-le conteneur arrêté, puis copiez l'archive hors du VPS :

cd /opt/mlflow
docker compose stop
docker run --rm -v mlflow_mlflow-data:/data -v "$PWD":/backup alpine \
  tar czf /backup/mlflow-$(date +%F).tar.gz -C /data .
docker compose start

Pour mettre à jour, lisez d'abord les notes de version — une mise à jour peut migrer le schéma de la base —, changez le tag de l'image dans docker-compose.yml, puis :

cd /opt/mlflow
docker compose pull && docker compose up -d
docker compose logs --tail 20

Les Applications en 1 clic de ServOrbit installent MLflow sur votre VPS sans ligne de commande : il déploie le conteneur officiel, génère le mot de passe du compte admin et la clé de session, active l'authentification sur l'interface et l'API, limite les noms d'hôte acceptés à votre adresse et publie le serveur en HTTPS sur un sous-domaine de votre domaine ou sur le sous-domaine gratuit du VPS (mlflow.{dns_slug}.servorbit-dns.com). Le mot de passe s'affiche dans votre espace client ; il ne reste qu'à brancher vos notebooks.