Im Vergleich mit MLflow
Von MLflow-Runs zu freigegebenen Releases.
EUVYRA verfolgt Experimente und versioniert Modelle, wie MLflow-Nutzer es erwarten, und macht dort weiter, wo eine Registry aufhört: Releases, die eine Evaluierung und namentliche Freigaben brauchen, ein Gateway, das nur diese bedient, und die Nachweise, nach denen eine Prüfung fragt.
MLflow heute
- MLflow ist Open Source unter der Apache-2.0-Lizenz und ein Projekt der LF Projects, LLC, die zur Linux Foundation gehört.
- MLflow 3 erschien am 11. Juni 2025. Die aktuelle Dokumentation beschreibt OpenTelemetry-kompatibles Tracing und Evaluierung mit eingebauten Bewertungsmodellen für generative KI.
- Seit MLflow 3.7.0 vom 5. Dezember 2025 ist SQLite das Standard-Backend des MLflow-Tracking-Servers.
Viele Teams betreiben MLflow neben weiteren Werkzeugen für Jobs, Bereitstellung und Compliance. EUVYRA richtet sich an Teams, die all das in einer Installation wollen, mit einem Datenmodell vom Run über das Release bis zum Audit.
Ihre MLflow-Arbeit in EUVYRA
| Was Sie tun | In EUVYRA |
|---|---|
| Parameter, Metriken, Tags und Artefakte loggen | Runs mit Konfiguration, Metriken pro Schritt, Tags, Artefakten, Git-Stand und Systemlast |
| Automatisch aus Frameworks loggen | Callbacks für Hugging Face, Lightning, Keras, XGBoost, LightGBM und scikit-learn |
| Modelle mit Versionen und Aliasen registrieren | Modellversionen mit Model Card und Artefakt-Digest sowie Artefakt-Aliase wie best oder production |
| Ein Modell in Produktion bringen | Ein Release mit Vorabprüfungen, Evaluierungs-Gate und Freigaben nach Funktion der Beteiligten, dann direkter, Canary- oder Shadow-Rollout |
| Training irgendwo ausführen | Jobs auf Ihrem Kubernetes-Cluster oder Ihren GPU-Maschinen, mit Warteschlangen, Kontingenten und Kosten pro Run |
| Ein Modell bereitstellen | Endpunkte mit vLLM, llama.cpp oder beliebigen Containern hinter einem Gateway, das nur freigegebene Releases bedient |
| GenAI-Anwendungen verfolgen und evaluieren | Traces aus dem SDK oder per OpenTelemetry, versionierte Testsuiten und Gates für CI |
So gelingt der Umzug
Der Import liest den Dateispeicher von MLflow, den Ordner mlruns/, direkt. MLflow selbst muss dafür nicht installiert sein.
Per CLI anmelden
pip install euvyra euvyra login --host https://euvyra.example.eu --api-key euv_...Runs importieren
Parameter werden zur Run-Konfiguration, Metriken behalten Schritte und Zeitstempel, die Tags
mlflow.source.gitwerden zu den Git-Angaben des Runs, Start- und Endzeit sowie Status bleiben erhalten. Mit--experimentbeschränken Sie den Import auf ein Experiment.euvyra import mlflow ./mlruns --project credit-scoring --experiment baselineLogging-Aufrufe umstellen
# vorher: mlflow.log_params(params); mlflow.log_metric("auc", auc, step=epoch) import euvyra with euvyra.init(project="credit-scoring", config=params) as run: for epoch in range(epochs): run.log({"auc": evaluate()}, step=epoch) run.log_model("model.pkl", name="credit-gbm")run.log_modelregistriert eine Modellversion mit diesem Run als Quelle. Genau das liest später die Freigabe eines Releases.
Was nicht mitkommt
- Der Import liest nur das Format des Dateispeichers. Runs eines Tracking-Servers mit Datenbank-Backend, seit MLflow 3.7.0 der Standard, liest er nicht direkt.
- Artefakte, registrierte Modelle, Traces und Evaluierungsdatensätze werden nicht importiert. Modelle, die Sie noch brauchen, loggen Sie mit
run.log_model, oder Sie verweisen auf Dateien, die in Ihrem eigenen Bucket bleiben.
Fragen zum Umstieg von MLflow
Muss MLflow für den Import installiert sein?
Nein. euvyra import mlflow liest die Dateien im Ordner mlruns/ direkt.
Kann EUVYRA die MLflow-Modellregistry ersetzen?
Es erledigt dieselbe Aufgabe auf eigene Weise: Modellversionen tragen Model Card, Artefakt-Digest und den Run, aus dem sie stammen, und Releases ergänzen Freigaben, Evaluierungs-Gates und Rollback.
Läuft EUVYRA auf Databricks?
EUVYRA wird selbst betrieben, mit Docker Compose oder Helm auf eigenen Servern oder einem beliebigen Kubernetes-Cluster. Es hängt von keiner Datenplattform ab.