MLflow

À propos de MLflow

Ce qui est installé

Prêt au démarrage du VPS

OS compatibles

Distributions Linux au choix

Application

MLflow

Stack technique

DockerPythonMLflowSQLite

RAM minimum

2 Go minimum

CPU minimum

1 vCPU

Port par défaut

8111

Accès

root par SSH

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 ?

Guide

Déployer MLflow sur votre VPS

1. 1

   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.

2. 2

   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.

3. 3

   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.

4. 4

   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.

5. 5

   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.