MLflow Experiment กับ Remote Work Setup —

MLflow คืออะไร

MLflow เป็น Open-source Platform ที่พัฒนาโดย Databricks สำหรับจัดการ Machine Learning Lifecycle ทั้งหมด ตั้งแต่การทดลอง (Experiment Tracking) การจัดการ Model (Model Registry) ไปจนถึงการ Deploy Model (Model Serving) เป็นเครื่องมือที่ได้รับความนิยมสูงสุดในหมู่ Data Scientists และ ML Engineers เพราะใช้ง่าย รองรับ Framework หลากหลาย และ Integrate กับ Cloud Services ได้ดี

เนื้อหาเกี่ยวข้อง — บทความที่เกี่ยวข้อง: fear and greed index stock

เมื่อทีม ML ทำงานแบบ Remote การมี Central Tracking Server เป็นสิ่งจำเป็นเพราะทุกคนต้องสามารถบันทึก Experiment Results ไปที่เดียวกัน เปรียบเทียบ Model Performance ข้าม Experiments และ Reproduce Results ได้ทุกเมื่อ

เนื้อหาเกี่ยวข้อง — แนะนำให้อ่าน Prometheus Federation GitOps Workflow

สถาปัตยกรรม MLflow Remote Tracking

• MLflow Tracking Server: เก็บ Metadata ของ Experiments (Parameters, Metrics, Tags) ใน Backend Store
• Backend Store: PostgreSQL หรือ MySQL สำหรับเก็บ Experiment Metadata
• Artifact Store: S3, GCS หรือ MinIO สำหรับเก็บ Model Files, Plots, Data Samples
• Reverse Proxy: Nginx + HTTPS สำหรับ Security
• Authentication: Basic Auth, OAuth2 Proxy หรือ VPN

Kubernetes Deployment สำหรับ Production

# kubernetes/mlflow-deployment.yaml

apiVersion: apps/v1

kind: Deployment

metadata:

  name: mlflow-tracking

  namespace: ml-platform

spec:

  replicas: 2

  selector:

    matchLabels:

      app: mlflow-tracking

  template:

    metadata:

      labels:

        app: mlflow-tracking

    spec:

      containers:

        - name: mlflow

          image: ghcr.io/mlflow/mlflow:2.10.0

          command:

            - mlflow

            - server

            - --backend-store-uri

            - postgresql://$(POSTGRES_USER):$(POSTGRES_PASSWORD)@postgres:5432/mlflow

            - --default-artifact-root

            - s3://mlflow-artifacts/

            - --host

            - "0.0.0.0"

            - --port

            - "5000"

            - --serve-artifacts

          env:

            - name: POSTGRES_USER

              valueFrom:

                secretKeyRef:

                  name: mlflow-secrets

                  key: postgres-user

            - name: POSTGRES_PASSWORD

              valueFrom:

                secretKeyRef:

                  name: mlflow-secrets

                  key: postgres-password

            - name: AWS_ACCESS_KEY_ID

              valueFrom:

                secretKeyRef:

                  name: mlflow-secrets

                  key: s3-access-key

            - name: AWS_SECRET_ACCESS_KEY

              valueFrom:

                secretKeyRef:

                  name: mlflow-secrets

                  key: s3-secret-key

            - name: MLFLOW_S3_ENDPOINT_URL

              value: "https://s3.company.com"

          ports:

            - containerPort: 5000

          resources:

            requests:

              cpu: 500m

              memory: 1Gi

            limits:

              cpu: 2000m

              memory: 4Gi

          livenessProbe:

            httpGet:

              path: /health

              port: 5000

            initialDelaySeconds: 30

            periodSeconds: 30

---

apiVersion: v1

kind: Service

metadata:

  name: mlflow-tracking

  namespace: ml-platform

spec:

  selector:

    app: mlflow-tracking

  ports:

    - port: 5000

      targetPort: 5000

Best Practices สำหรับ MLflow Remote Setup

• ใช้ PostgreSQL เป็น Backend Store: SQLite ไม่รองรับ Concurrent Access ต้องใช้ PostgreSQL หรือ MySQL สำหรับทีม
• ใช้ Object Storage สำหรับ Artifacts: S3, GCS หรือ MinIO เหมาะกว่า Local Filesystem เพราะ Scale ได้และเข้าถึงจากทุกที่
• ตั้ง Naming Convention: กำหนดรูปแบบชื่อ Experiment, Run Name และ Tags ให้เป็นมาตรฐาน
• Log ทุกอย่าง: Log Parameters, Metrics, Artifacts, Environment Info, Git Commit Hash เพื่อ Reproducibility
• ใช้ Model Registry: จัดการ Model Versions ด้วย Staging/Production Stages แทนการ Copy ไฟล์ด้วยมือ
• Backup เป็นประจำ: Backup PostgreSQL Database และ Artifact Store ทุกวัน
• Monitor Server: ติดตาม Disk Usage, Memory, CPU ของ Tracking Server เพราะ Artifacts อาจใช้พื้นที่มาก

MLflow คืออะไรและใช้ทำอะไร

MLflow เป็น Open-source Platform สำหรับจัดการ Machine Learning Lifecycle ครอบคลุม Experiment Tracking ที่บันทึก Parameters, Metrics และ Artifacts ทุกการทดลอง, Model Registry สำหรับจัดการ Model Versions และ Model Serving สำหรับ Deploy Model เป็น REST API

แนะนำเพิ่มเติม — หนังสือเทรดที่ SiamCafeBook

เนื้อหาเกี่ยวข้อง — ทำความเข้าใจ ขาวสถต — คู่มือฉบับสมบูรณ์ 2026