About

MLPanel - инфраструктура для разработки Machine Learning решений и Data Science экспериментов

MLPanel - объединяет лучшие open source инструменты для ML разработки и предоставляет удобный инструмент для управления экспериментами, моделями и доставкой решений (MLOps) .

Интерфейс для проектов

• управление проектами: создание, удаление, мониторинг результатов, одновременная работа с нескольми проектами

• мониторинг экспериментов, запусков и моделей по проектам

• совместная (collaborative) работа

• версионирование и деплой моделей (локально и удаленно) - TBD

Поддержка жизненного цикла моделей (MLC)

MLPanel поддерживает работу на каждом этапе цикла разработки, анализа, деплоя и мониторинга ML моделей.

Экосистема инструментов

MLPanel объединяет популярные инструменты и подходы к организации разработки и MLOps. Технологический стек включает MLflow, DVC, Airflow, Docker. Интеграция с Google Cloud Platform, AWS, Hadoop и Spark.

MLflow

MLflow предлагает удобный интерфейс для трекинга метрик и артефактов экспериментов и предоставляет функционал для управления жизненным циклом моделей: версионирование, деплой.

MLPanel расширяет к возможностями MLflow поддержку нескольких проектов! Все проекты команды теперь доступны в одном интерфейсе, а управлением моделями и их деплоем стало удобнее.

Airflow

Airflow позволяет управлять запуском моделей и пайплайнов по расписанию, имеет большой арсенал инструментов для реализации сложной зависимости пайпланов - от ETL, до обучения моделей (train) и из запуска для получения прогнозов (inference)

Docker

Docker де-факто стандарт разработки ПО, необходимый для автоматизации развёртывания и управления приложениями в средах с поддержкой контейнеризации. Docker позволяет контролировать окружение для разработки и исполнения кода и эффективно управлять серверными ресурсами.

Local & Cloud Work

MLPanel поддерживает 2 режима работы

• local 💻 - запускает всю необходимую инфраструктуру локально, через docker-compose, это самый быстрый способ начать его использовать и идеальный вариант для индивидуальных исследователей и разработчиков

• cloud ☁️ - позволяет развернуть MLPanel на удаленном сервере (кластере) и настроить совместную работу команды разработки, Data Scientists и Product Owners

Online and Offline Deployment

Обученные модели и пайплайны можно разворачивать для запуска как online (в виде web-сервисов), так и offline (в виде batch job)

	Web-service (online)	Batch Job (offline)
Model	✅	✅
Pipeline	TBD	TBD