Guide MLflow par Stat4decision

Ce dépôt rassemble tout le code de l'article de blog « MLflow : maîtriser le cycle de vie de vos modèles de machine learning », publié sur https://www.stat4decision.com/fr/mlflow-modeles-machine-learning/.

L'objectif est simple : vous permettre de tester MLflow vous-même, étape par étape, sur un petit jeu de données (la classification des vins de scikit-learn). Chaque script est court, commenté, et se lance indépendamment.

Le code est à jour pour MLflow 3.

Ce que contient le dépôt

Fichier	Ce qu'il vous apprend
src/01_tracking_autolog.py	Le suivi automatique (autolog), la façon la plus simple de démarrer.
src/02_experimentations.py	Le suivi manuel : enregistrer paramètres, métriques et artefacts.
src/03_models.py	Enregistrer, recharger et personnaliser un modèle (PyFunc).
src/04_registry_alias.py	Gérer les versions avec des alias (la méthode actuelle, qui remplace les stages).
src/05_genai_tracing.py	Le suivi (tracing) pour l'IA générative, nouveauté de MLflow 3.
train.py + MLproject	Un projet MLflow reproductible, lançable en une commande.

Prérequis

Vous avez besoin de Python 3.10 ou plus récent. Des bases en Python et en scikit-learn suffisent pour suivre.

Installation

Ce dépôt utilise un fichier pyproject.toml et le gestionnaire uv, rapide et reproductible.

Avec uv (recommandé)

git clone https://github.com/stat4decision/mlflow-guide.git
cd mlflow-guide
uv sync          # crée l'environnement à l'identique depuis uv.lock

Vous n'avez pas besoin d'activer l'environnement : préfixez vos commandes par uv run.

Sans uv (avec pip)

Si vous préférez pip, installez les dépendances dans un environnement virtuel :

python -m venv .venv
source .venv/bin/activate        # sous Windows : .venv\Scripts\activate
pip install mlflow scikit-learn pandas numpy

Lancer les exemples

Suivez l'ordre des numéros pour progresser :

uv run python src/01_tracking_autolog.py
uv run python src/02_experimentations.py
uv run python src/03_models.py
uv run python src/04_registry_alias.py
uv run python src/05_genai_tracing.py

Si vous n'utilisez pas uv, retirez simplement le préfixe uv run (avec l'environnement activé).

Les résultats sont enregistrés dans une base locale mlflow.db. Vous n'avez rien d'autre à configurer.

Voir vos résultats dans l'interface MLflow

uv run mlflow ui --backend-store-uri sqlite:///mlflow.db

Ouvrez ensuite l'adresse indiquée dans votre navigateur. Vous y retrouverez vos expérimentations, vos modèles enregistrés, leurs alias, et (pour l'exemple 5) l'onglet des traces.

Lancer le projet reproductible

Le fichier MLproject décrit un entraînement paramétrable :

uv run python train.py --n-estimators 200 --max-depth 15
# ou, via MLflow :
uv run mlflow run . -P n_estimators=200 -P max_depth=15

Deux fichiers d'environnement, deux rôles. Le pyproject.toml (avec uv.lock) sert à installer et lancer les scripts de ce dépôt. Le fichier python_env.yaml est, lui, utilisé uniquement par le composant MLflow Projects pour recréer son propre environnement quand vous lancez mlflow run. Les deux coexistent normalement.

Aller plus loin

Cet exemple couvre l'essentiel, mais MLflow va beaucoup plus loin. Si vous voulez monter en compétences sur le MLOps et l'industrialisation de vos modèles, Stat4decision propose des formations pratiques en petits groupes. Voir nos formations data ou nous contacter.

Licence

Code distribué sous licence MIT. Vous êtes libre de le réutiliser et de l'adapter.