MLflow

Fait partie du lakehouse (vue d'ensemble et schéma des interactions).

Le modèle MLflow (catégorie Data science) déploie un serveur de tracking MLflow : expériences, runs et registre de modèles dans une base PostgreSQL (CloudNativePG) créée avec lui, artefacts servis par le serveur sur un bucket S3. L'accès web est protégé par le login de la plateforme (le serveur MLflow n'a pas d'authentification propre) : comme pour Apache Hop, les utilisateurs et groupes autorisés se gèrent depuis Accès.

Champ	Rôle
Version de MLflow	Tag de l'image ds/mlflow. Vide = version du chart.
Bucket S3 des artefacts, Préfixe dans le bucket (onglet Stockage, bucket requis)	Emplacement des artefacts, préfixe mlflow par défaut. Fixés à la création : les runs existants pointent dessus.
Endpoint S3, Région S3, Access Key ID, Secret Access Key (onglet Stockage)	Remplis par le sélecteur de bucket, modifiables après coup — saisie manuelle pour un S3 externe.
Processus serveur	Nombre de workers du serveur, 2 par défaut.
Limite mémoire, Limite CPU (onglet Capacité)	2Gi et 1000m par défaut.
Taille du stockage PostgreSQL (onglet Capacité)	5Gi par défaut. Agrandissement seulement : un volume ne se réduit pas.

Depuis un notebook rattaché (MLFLOW_TRACKING_URI pré-rempli, accès interne sans login) : import mlflow; mlflow.set_tracking_uri(os.environ["MLFLOW_TRACKING_URI"]); mlflow.log_metric("accuracy", 0.99). Les artefacts transitent par le serveur : les notebooks n'ont pas besoin des clés S3.

Suppression

Supprimer une instance MLflow retire aussi son client OpenID de la plateforme.