MLflow切换模型阶段时目标阶段内已有模型的处理方法

使用MLflow客户端执行模型阶段转换的基础代码如下：

client = MlflowClient()
client.transition_model_version_stage(
    name="sk-learn-random-forest-reg-model",
    version=3,
    stage="Production"
)

上述默认写法存在固定特性：转换操作不会对目标阶段内已存在的模型版本做任何修改。举例来说，如果版本2当前处于Production阶段，执行上述代码将版本3也切换到Production阶段后，版本2仍会保留Production阶段标签，最终出现同一阶段存在多个模型版本的情况。

如果要实现和Databricks UI原生逻辑一致的效果——即同一时间指定阶段内仅允许存在一个版本的模型，只需要在调用方法时增加archive_existing_versions=True参数即可。
该参数开启后，系统会在将目标版本切换到指定阶段前，自动把该阶段下所有已存在的其他模型版本归档到Archived阶段，从根本上避免多版本并存的问题。

修改后的可直接复用的代码如下：

client = MlflowClient()
client.transition_model_version_stage(
    name="sk-learn-random-forest-reg-model",
    version=3,
    stage="Production",
    archive_existing_versions=True
)

参数行为说明：

• archive_existing_versions=False（默认值）：不改动目标阶段已有版本，允许同阶段多版本共存
• archive_existing_versions=True：自动归档同阶段所有历史版本，保证阶段内仅当前转换的版本生效

Databricks UI对应的原生功能界面参考：

内容的提问来源于stack exchange，提问作者Minura Punchihewa