> ## Documentation Index
> Fetch the complete documentation index at: https://novita.ai/docs/llms.txt
> Use this file to discover all available pages before exploring further.

# MLflow

> Tracez les appels Novita AI dans MLflow avec l’instrumentation de SDK compatible OpenAI pour Python et JavaScript.

Ce guide montre comment intégrer **Novita AI** avec MLflow Tracing. En utilisant le point de terminaison compatible OpenAI de Novita AI (`https://api.novita.ai/openai`), vous pouvez capturer les prompts, les réponses, la latence, l’utilisation des tokens et les métadonnées du modèle dans MLflow.

<Frame>
  <img src="https://mintcdn.com/novitaai/TDkIugxCqQKXM7rz/images/third-party/mlflow-trace-details-timeline.png?fit=max&auto=format&n=TDkIugxCqQKXM7rz&q=85&s=e91bc43cf88dc473905c4001015b8cfa" alt="Détails et chronologie d’une trace MLflow" width="3076" height="1422" data-path="images/third-party/mlflow-trace-details-timeline.png" />
</Frame>

# Prérequis

Avant de commencer, assurez-vous d’avoir :

* Clé API Novita AI : créez-en une dans [Gestion des clés](https://novita.ai/settings/key-management).
* Un serveur de suivi MLflow en cours d’exécution. Vous pouvez utiliser la valeur locale par défaut `http://localhost:5000`.
* Un environnement d’exécution Python ou JavaScript.

# Étapes d’intégration

## Étape 1 : Installer les dépendances

<CodeGroup>
  ```bash Python icon="python" theme={"system"}
  pip install 'mlflow[genai]' openai
  ```

  ```bash JavaScript / TypeScript icon="js" theme={"system"}
  npm install @mlflow/openai openai
  ```
</CodeGroup>

## Étape 2 : Démarrer le serveur MLflow

Si vous disposez d’un environnement Python local >= 3.10, vous pouvez démarrer MLflow avec :

```bash theme={"system"}
mlflow server
```

MLflow fournit également une configuration Docker Compose :

```bash theme={"system"}
git clone --depth 1 --filter=blob:none --sparse https://github.com/mlflow/mlflow.git
cd mlflow
git sparse-checkout set docker-compose
cd docker-compose
cp .env.dev.example .env
docker compose up -d
```

Ouvrez ensuite `http://localhost:5000` pour confirmer que l’interface utilisateur MLflow est accessible.

## Étape 3 : Activer le tracing et appeler Novita AI

<CodeGroup>
  ```python Python icon="python" theme={"system"}
  import openai
  import mlflow

  # Enable auto-tracing for OpenAI-compatible calls
  mlflow.openai.autolog()

  # Optional: set tracking target and experiment
  mlflow.set_tracking_uri("http://localhost:5000")
  mlflow.set_experiment("Novita AI")

  client = openai.OpenAI(
      base_url="https://api.novita.ai/openai",
      api_key="<your_novita_api_key>",
  )

  response = client.chat.completions.create(
      model="deepseek/deepseek-r1",
      messages=[
          {"role": "system", "content": "You are a helpful assistant."},
          {"role": "user", "content": "What is the capital of France?"},
      ],
  )

  print(response.choices[0].message.content)
  ```

  ```ts JavaScript / TypeScript icon="js" theme={"system"}
  import { OpenAI } from "openai";
  import { tracedOpenAI } from "@mlflow/openai";

  const client = tracedOpenAI(
    new OpenAI({
      baseURL: "https://api.novita.ai/openai",
      apiKey: "<your_novita_api_key>",
    })
  );

  const response = await client.chat.completions.create({
    model: "deepseek/deepseek-r1",
    messages: [
      { role: "system", content: "You are a helpful assistant." },
      { role: "user", content: "What is the capital of France?" },
    ],
    temperature: 0.1,
    max_tokens: 100,
  });

  console.log(response.choices[0].message?.content);
  ```
</CodeGroup>

## Étape 4 : Afficher les traces dans l’interface utilisateur MLflow

Ouvrez votre interface utilisateur MLflow (par exemple `http://localhost:5000`) et accédez à votre expérience configurée pour inspecter les traces.

Vous devriez voir :

* Le contenu du prompt et de la complétion
* La latence et l’utilisation des tokens
* Les métadonnées du modèle et de la requête
* Les erreurs/exceptions (le cas échéant)

## Étape 5 : Références avancées sur le tracing

### Streaming et async

MLflow prend en charge le tracing pour les API Novita AI en streaming et async. Voir :

* [OpenAI Tracing](https://mlflow.org/docs/latest/genai/tracing/integrations/listing/openai/)

### Combiner avec des frameworks ou un tracing manuel

<CodeGroup>
  ```python Python icon="python" theme={"system"}
  import json
  from openai import OpenAI
  import mlflow
  from mlflow.entities import SpanType

  # Initialize the OpenAI client with Novita AI API endpoint
  client = OpenAI(
      base_url="https://api.novita.ai/openai",
      api_key="<your_novita_api_key>",
  )


  # Create a parent span for the Novita AI call
  @mlflow.trace(span_type=SpanType.CHAIN)
  def answer_question(question: str):
      messages = [{"role": "user", "content": question}]
      response = client.chat.completions.create(
          model="deepseek/deepseek-r1",
          messages=messages,
      )

      # Attach session/user metadata to the trace
      mlflow.update_current_trace(
          metadata={
              "mlflow.trace.session": "session-12345",
              "mlflow.trace.user": "user-a",
          }
      )
      return response.choices[0].message.content


  answer = answer_question("What is the capital of France?")
  ```

  ```ts JavaScript / TypeScript icon="js" theme={"system"}
  import * as mlflow from "@mlflow/core";
  import { OpenAI } from "openai";
  import { tracedOpenAI } from "@mlflow/openai";

  mlflow.init({
    trackingUri: "http://localhost:5000",
    experimentId: "<your_experiment_id>",
  });

  // Wrap the OpenAI client and point to Novita AI endpoint
  const client = tracedOpenAI(
    new OpenAI({
      baseURL: "https://api.novita.ai/openai",
      apiKey: "<your_novita_api_key>",
    })
  );

  // Create a traced function that wraps the Novita AI call
  const answerQuestion = mlflow.trace(
    async (question: string) => {
      const resp = await client.chat.completions.create({
        model: "deepseek/deepseek-r1",
        messages: [{ role: "user", content: question }],
      });
      return resp.choices[0].message?.content;
    },
    { name: "answer-question" }
  );

  await answerQuestion("What is the capital of France?");
  ```
</CodeGroup>

Pour la référence amont complète :

* Page d’intégration MLflow Novita AI : [Tracing Novita AI](https://mlflow.org/docs/latest/genai/tracing/integrations/listing/novitaai/)
* Documentation MLflow sur le tracing OpenAI : [OpenAI Tracing](https://mlflow.org/docs/latest/genai/tracing/integrations/listing/openai/)

Pour les détails des modèles Novita et l’utilisation du point de terminaison, consultez :

* Guide de l’API LLM Novita : [LLM API](/docs/fr/guides/llm-api)