註 ML 模

全配檔與模、見 Extended Examples。

於 MLflow Model Registry 系統化版、階管、與發布治。

用

• 升訓模自實驗至生產
• 管多模版於發階
• 立模審流程以治
• 追模譜自訓至發
• 退至前模版
• 較已發版以 A/B 測
• 審模變以合規

入

• 必：MLflow 追器啟 Model Registry
• 必：經 MLflow 錄之訓模（自追運）
• 必：模名以註
• 可：審流接（郵、Slack、Jira）
• 可：CI/CD 管以自動升
• 可：模驗指標閾

行

一：設模登錄後端

設 MLflow Model Registry 與庫後端（檔式登錄非生產宜）。

# 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：

# 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 UI 籤現於 MLflow、search_registered_models() 成（雖空）、庫含 registered_models 表。

敗：驗 MLflow 版 ≥1.2（Model Registry 始自 1.2）、察庫後端（SQLite 不全支 Model Registry）、確 --backend-store-uri 指庫（非 file://）、驗庫用有 CREATE TABLE 權、察 MLflow 器誌求遷移錯。

二：自訓運註模

註所錄模於 Model Registry 並全屬。

# 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 UI、版含述與標、模產可由 models:/<model-name>/<version> URI 取、模簽與輸入例存。

敗：驗 run_id 存且畢（client.get_run(run_id)）、察模產徑合所錄產（mlflow.search_runs() 察）、確模以正框香錄（mlflow.sklearn.log_model 非 mlflow.log_artifact）、驗模名無特字（用連非底線）、察產儲可達。

三：階轉與驗

模版過階（None → Staging → Production → Archived）含驗察。

# 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：模版階更於登錄、舊版自封、轉時印於標、退復前生產版。

敗：察版存且於期階、驗 archive_existing_versions 旗為（若唯一版或不封）、確庫支並發交易以階更、察階轉鎖（一版一時一轉）、驗審流接。

四：模別名與引

用模別名為穩發引（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 UI、按別名載模成（models:/name@alias）、更別名即影響新載、A/B 測基設可用。

敗：升 MLflow 至 ≥2.0 為原生別名支、舊版用標退、驗別名命（唯字母數字與連）、察別名衝（一模版一別名）。

五：模譜追

追全譜自數至發、含全屬。

# 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：模版標含全譜訊、get_model_lineage() 返全史、JSON 報含數源、訓詳、發訊。

敗：驗標值為串（化字典為 JSON）、察標鍵命（無空無特字）、確譜訊於訓時捕、驗 run_id 有效可達。

六：以 CI/CD 自動登錄業

整模註入 CI/CD 管以自動升。

# .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 自動本：

# 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 流於手觸發、驗試過、模升至標階、Slack 告發、發管自觸。

敗：察 GitHub 密配 MLFLOW_TRACKING_URI、驗 GitHub Actions 自網達 MLflow 器（或需 VPN 或 IP 許列）、確驗本有正指標閾、察 Slack webhook 配、驗 Python 本可執權。

驗

• Model Registry 可達、後端已配
• 模自訓運成註
• 階轉成（None → Staging → Production → Archived）
• 驗察執質閾
• 模別名設且正解
• 譜屬全捕
• 退能復前版
• CI/CD 管自動升
• 隊告為階變動
• 模 URI 於各階皆正解

忌

• SQLite 限：Model Registry 需庫後端（PostgreSQL/MySQL）為生產——檔式致並發患
• 階衝：同階多版致混——用 archive_existing_versions=True 自封
• 缺運接：註模無 run_id 失譜——常自 MLflow 運註、非自原檔
• 別名混：用階為發標非別名——階為流、別名為發引
• 驗略：升 Production 無察——CI/CD 管立必驗
• 無退計：生產患無退能——存前 Production 版於 Archived 階
• 標載過：散標過多——標模與命標
• 手程：人驅升易誤且慢——以 CI/CD 與審流自動

參

• track-ml-experiments - 註模前錄之於 MLflow
• deploy-ml-model-serving - 發已註模於服基設
• run-ab-test-models - 用登錄別名 A/B 測模
• orchestrate-ml-pipeline - 自模訓與註
• version-ml-data - 版訓數以模譜