註 ML 模

於 MLflow Model Registry 註已訓之模附版控、行階轉（Staging、Production、Archived）附審流、管模系附詳屬與部署之追。

See Extended Examples for complete configuration files and templates.

施 MLflow Model Registry 以系統行模之版、階管、部署治。

用時

• 升已訓之模自試至產乃用
• 管多模版於諸發階乃用
• 為治施模之審流乃用
• 追模系自訓至部署乃用
• 退至前模版乃用
• 較部署之模版以行 A/B 試乃用
• 為合規審模之變乃用

入

• 必要：MLflow tracking 服附 Model Registry 啟
• 必要：以 MLflow 錄之已訓之模（自 tracking 之行）
• 必要：模名以註於庫
• 可選：審流之集成（郵、Slack、Jira）
• 可選：自動升之 CI/CD 線
• 可選：模驗指之閾

法

第一步：設模庫之後端

立 MLflow Model Registry 附庫後端（產不宜檔基庫）。

# Start MLflow server with Model Registry support
mlflow server \
  --backend-store-uri postgresql://user:pass@localhost:5432/mlflow \
  --default-artifact-root s3://mlflow-artifacts/models \
  --host 0.0.0.0 \
  --port 5000

Python 配置：

# model_registry_config.py
import mlflow
from mlflow.tracking import MlflowClient

# Set tracking URI (must support Model Registry)
MLFLOW_TRACKING_URI = "http://mlflow-server.company.com:5000"
mlflow.set_tracking_uri(MLFLOW_TRACKING_URI)

# ... (see EXAMPLES.md for complete implementation)

得：Model Registry 之頁現於 MLflow，search_registered_models() 順返（雖空），庫含 registered_models 表。

敗則：驗 MLflow 版 ≥1.2（Model Registry 始於 1.2），察庫後端（SQLite 不全持 Model Registry），確 --backend-store-uri 指庫（非 file://），驗庫之用戶有 CREATE TABLE 之權，察 MLflow 服日誌之遷誤。

第二步：自訓行註模

註已錄之模於 Model Registry 附詳屬。

# register_model.py
import mlflow
from mlflow.tracking import MlflowClient
from model_registry_config import MLFLOW_TRACKING_URI

mlflow.set_tracking_uri(MLFLOW_TRACKING_URI)
client = MlflowClient()

# ... (see EXAMPLES.md for complete implementation)

得：新模版現於 Model Registry 之 UI，版含述與標，模件可由 models:/<model-name>/<version> URI 取，模簽與入例已存。

敗則：驗 run_id 存且已畢（client.get_run(run_id)），察模件路合錄之件（mlflow.search_runs() 以察），確模以正之框錄（mlflow.sklearn.log_model 非 mlflow.log_artifact），驗模名無特字（用短橫非下橫），察件存可訪。

第三步：施階轉附驗

行模版過諸階（None → Staging → Production → Archived）附驗察。

# stage_management.py
import mlflow
from mlflow.tracking import MlflowClient
from datetime import datetime

client = MlflowClient()

class ModelStageManager:
# ... (see EXAMPLES.md for complete implementation)

得：模版之階更於庫，舊版自存檔，轉之時錄於標，退復前產之版。

敗則：察版存且於望階，驗 archive_existing_versions 旗之行（若僅一版或不檔），確庫持並發以更階，察階轉之鎖（一版一時一轉），驗審流之集成。

第四步：施模別名與引

用模別名以行穩之部署引（MLflow ≥2.0）。

# model_aliases.py
from mlflow.tracking import MlflowClient

client = MlflowClient()

def set_model_alias(model_name, version, alias):
    """
    Set an alias for a model version (MLflow 2.0+).
# ... (see EXAMPLES.md for complete implementation)

得：別名現於 Model Registry 之 UI，由別名載模可（models:/name@alias），更別名立影新載，A/B 試之基設可行。

敗則：升 MLflow 至 ≥2.0 以原生持別名，老版退用標基，驗別名之命（獨字母數字與短橫），察別名之衝（一模版一別名）。

第五步：施模系之追

追自數據至部署之全系附詳屬。

# model_lineage.py
import mlflow
from mlflow.tracking import MlflowClient
import json

client = MlflowClient()

def enrich_model_metadata(model_name, version, lineage_data):
# ... (see EXAMPLES.md for complete implementation)

得：模版之標含詳系信，get_model_lineage() 返全史，JSON 報含數源、訓細、部署信。

敗則：驗標值為串（化字典為 JSON），察標鍵之命（無空或特字），確系資於訓時捕，驗 run_id 有效可訪。

第六步：以 CI/CD 自動庫之操

集模註於 CI/CD 線以自動升。

# .github/workflows/model_promotion.yml
name: Model Promotion Pipeline

on:
  workflow_dispatch:
    inputs:
      model_name:
        description: 'Model name to promote'
# ... (see EXAMPLES.md for complete implementation)

Python 自動文：

# scripts/promote_model.py
import argparse
from stage_management import ModelStageManager

def main():
    parser = argparse.ArgumentParser()
    parser.add_argument("--model-name", required=True)
    parser.add_argument("--version", type=int, required=True)
# ... (see EXAMPLES.md for complete implementation)

得：GitHub Actions 流於手動發起，驗試過，模升至目階，Slack 報送，部署線自起。

敗則：察 GitHub secrets 之 MLFLOW_TRACKING_URI 配置，驗自 GitHub Actions 至 MLflow 服之網訪（或需 VPN 或 IP 許列），確驗本有正指閾，察 Slack webhook 配置，驗 Python 文之執權。

驗

• Model Registry 可訪且後端已設
• 模自訓行順註
• 階轉行（None → Staging → Production → Archived）
• 驗察行質之閾
• 模別名設且解正
• 系屬詳捕
• 退之能復前版
• CI/CD 線自動升
• 階變之團報行
• 模 URI 諸階皆解正

陷

• SQLite 之限：Model Registry 產用須庫後端（PostgreSQL/MySQL）——檔基致並發患
• 階衝：同階多版生惑——用 archive_existing_versions=True 自檔
• 缺行繫：註模無 run_id 失系——必自 MLflow 行註，非自原檔
• 別名惑：用階為部署目而非別名——階為流，別名為部署引
• 驗略：升至產而無察——於 CI/CD 線施必驗
• 無退計：產患而無退能——存前產版於 Archived 階
• 標過載：過多無構之標——立標式與命之規
• 手流：人驅升易誤而緩——以 CI/CD 與審流自動之
• 失件：模註而件刪——確件留之策合模生命

參

• track-ml-experiments — 註前先錄模於 MLflow
• deploy-ml-model-serving — 部署已註之模至供基設
• run-ab-test-models — 用庫之別名行 A/B 模試
• orchestrate-ml-pipeline — 自動模訓與註
• version-ml-data — 版訓數據以資模系