MLflow MCP Server

MLflow MCP 서버: MLflow를 위한 자연어 인터페이스

이 프로젝트는 모델 컨텍스트 프로토콜(MCP)을 통해 MLflow에 대한 자연어 인터페이스를 제공합니다. MLflow 추적 서버에 쉬운 영어로 쿼리할 수 있으므로 머신 러닝 실험과 모델을 더 쉽게 관리하고 탐색할 수 있습니다.

개요

MLflow MCP 에이전트는 두 가지 주요 구성 요소로 구성됩니다.

1. MLflow MCP 서버 ( mlflow_server.py ): MLflow 추적 서버에 연결하고 MCP(모델 컨텍스트 프로토콜)를 통해 MLflow 기능을 제공합니다.
2. MLflow MCP 클라이언트 ( mlflow_client.py ): 대화형 AI 어시스턴트를 사용하여 MLflow MCP 서버와 상호 작용할 수 있는 자연어 인터페이스를 제공합니다.

특징

• 자연어 쿼리 : MLflow 추적 서버에 대한 질문을 일반 영어로 질문하세요
• 모델 등록 탐색 : 등록된 모델에 대한 정보를 얻으세요
• 실험 추적 : 실험 및 실행을 나열하고 탐색하세요
• 시스템 정보 : MLflow 환경에 대한 상태 및 메타데이터를 가져옵니다.

필수 조건

• 파이썬 3.8 이상
• MLflow 서버 실행 중(기본값: http://localhost:8080 )
• LLM용 OpenAI API 키

설치

1. 이 저장소를 복제하세요:지엑스피1
2. 가상 환경 만들기:
   python -m venv venv source venv/bin/activate # On Windows: venv\Scripts\activate
3. 필요한 패키지를 설치하세요:
   pip install mcp[cli] langchain-mcp-adapters langchain-openai langgraph mlflow
4. OpenAI API 키를 설정하세요:
   export OPENAI_API_KEY=your_key_here
5. (선택 사항) MLflow 추적 서버 URI를 구성합니다.
   export MLFLOW_TRACKING_URI=http://localhost:8080

용법

MCP 서버 시작

먼저 MLflow MCP 서버를 시작합니다.

서버는 MLflow 추적 서버에 연결하고 MCP를 통해 MLflow 기능을 제공합니다.

질의하기

서버가 실행되면 클라이언트를 사용하여 자연어 쿼리를 만들 수 있습니다.

예시 쿼리:

• "MLflow에 등록된 모든 모델을 보여주세요"
• "내 모든 실험을 나열해 보세요"
• "'iris-classifier'라는 모델에 대한 세부 정보를 얻으세요"
• "내 MLflow 서버 상태는 어떻습니까?"

구성

환경 변수를 사용하여 동작을 사용자 정의할 수 있습니다.

• MLFLOW_TRACKING_URI : MLflow 추적 서버의 URI(기본값: http://localhost:8080 )
• OPENAI_API_KEY : OpenAI API 키
• MODEL_NAME : 사용할 OpenAI 모델(기본값: gpt-3.5-turbo-0125 )
• MLFLOW_SERVER_SCRIPT : MLflow MCP 서버 스크립트 경로(기본값: mlflow_server.py )
• LOG_LEVEL : 로깅 레벨(기본값: INFO )

MLflow MCP 서버( mlflow_server.py )

서버는 MLflow 추적 서버에 연결하고 MCP를 통해 다음 도구를 제공합니다.

• list_models : MLflow 모델 레지스트리에 등록된 모든 모델을 나열합니다.
• list_experiments : MLflow 추적 서버의 모든 실험을 나열합니다.
• get_model_details : 특정 등록된 모델에 대한 자세한 정보를 가져옵니다.
• get_system_info : MLflow 추적 서버 및 시스템에 대한 정보를 가져옵니다.

제한 사항

• 현재는 MLflow 기능의 하위 집합만 지원합니다.
• 클라이언트는 OpenAI 모델을 사용하려면 인터넷 액세스가 필요합니다.
• 복잡한 MLflow 작업의 경우 오류 처리가 제한될 수 있습니다.

향후 개선 사항

• MLflow 모델 예측에 대한 지원 추가
• 더욱 복잡한 쿼리에 대한 자연어 이해력 향상
• 메트릭 및 매개변수에 대한 시각화 기능 추가
• 실행 관리 및 아티팩트 처리와 같은 더 많은 MLflow 작업 지원

감사의 말

• 모델 컨텍스트 프로토콜(MCP) : 프로토콜 사양을 위한
• LangChain : 에이전트 프레임워크용
• MLflow : 추적 및 모델 레지스트리 기능용