资料分析公司Databricks发布最新机器学习平台MLflow 1.12，这个版本除了提供可解释性机器学习功能之外，也强化了深度学习函数库PyTorch的支持。由Apache Spark技术团队所创立的Databricks，在2018年的时候开源了MLflow，通过提供各种好用的功能，简化机器学习开发，并且支持可重复使用的标准格式，让用户的机器学习应用不被工具和环境绑住。
PyTorch工程团队和Databricks的MLflow团队，共同在PyTorch开发人员日，发布最新的合作成果，现在MLflow与PyTorch集成，提供PyTorch模型自动日志记录、支持TorchScript模型，以及可将PyTorch模型部署到TorchServe等3个功能。
MLflow 1.12所提供的统一自动日志记录功能，可以自动记录来自PyTorch Lightning模型的参数以及指标，在新加入的mlflow.autolog方法，只要用户执行单一调用，该方法就会自动记录所有相关的模型实体，包括参数、指标和构件等，让用户掌握模型的运行。
MLflow现在也可以将PyTorch模型转换为TorchScript，TorchScript是一种由PyTorch程序代码创建的可串行化和可优化的模型，任何MLflow生成的PyTorch模型，都可以被转换成为TorchScript，能够存储并部署到其他非Python相依环境。TorchServe MLflow扩展组件，则可让用户将任何MLflow生成的PyTorch模型，部署到模型服务器TorchServe中，通过TorchServe执行模型提供服务。
另外，最新的MLflow还进一步提供模型可解释性，Databricks官方提到，越来越多机器学习模型，在业务应用程序中，执行提示与决定性预测，因此机器学习工程师开始必需要解释，模型做出特定决策的原因，MLflow 1.12提供SHAP API，以提供机器学习模型输出的解释。