Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Integrieren Sie MLflow sich in Ihre Umgebung
<a name="mlflow-track-experiments"></a>

Auf der folgenden Seite wird beschrieben, wie Sie mit dem MLflow SDK und dem AWS MLflow Plugin in Ihrer Entwicklungsumgebung beginnen können. Dies kann eine lokale Umgebung IDEs oder eine Jupyter Notebook-Umgebung in Studio oder Studio Classic beinhalten.

Amazon SageMaker AI verwendet ein MLflow Plugin, um das Verhalten des MLflow Python-Clients anzupassen und AWS Tools zu integrieren. Das AWS MLflow Plugin authentifiziert API-Aufrufe, die mit [AWS Signature Version MLflow ](https://docs.aws.amazon.com/AmazonS3/latest/API/sig-v4-authenticating-requests.html) 4 getätigt wurden. Das AWS MLflow Plugin ermöglicht es Ihnen, über den MLflow Tracking-Server ARN eine Verbindung zu Ihrem Tracking-Server herzustellen. Weitere Informationen zu Plugins finden Sie unter [AWS MLflow Plugin](https://pypi.org/project/sagemaker-mlflow/) und [MLflow Plugins](https://mlflow.org/docs/latest/plugins.html).

**Wichtig**  
Ihre Benutzer-IAM-Berechtigungen in Ihrer Entwicklungsumgebung müssen Zugriff auf alle relevanten MLflow API-Aktionen haben, um die bereitgestellten Beispiele erfolgreich ausführen zu können. Weitere Informationen finden Sie unter [Richten Sie IAM-Berechtigungen ein für MLflow](mlflow-create-tracking-server-iam.md).

Weitere Informationen zur Verwendung des MLflow SDK finden Sie in der MLflow Dokumentation unter [Python-API](https://mlflow.org/docs/2.13.2/python_api/index.html).

## Installation MLflow und das AWS MLflow Plugin
<a name="mlflow-track-experiments-install-plugin"></a>

Installieren Sie in Ihrer Entwicklungsumgebung MLflow sowohl das AWS MLflow Plugin als auch das Plugin.

```
pip install sagemaker-mlflow
```

Um die Kompatibilität zwischen Ihrem MLflow Client und Ihrem Tracking-Server sicherzustellen, verwenden Sie die entsprechende MLflow Version, die auf Ihrer Tracking-Serverversion basiert:
+ Verwenden Sie `mlflow==2.13.2` für den Tracking-Server 2.13.x.
+ Verwenden Sie `mlflow==2.16.2` für den Tracking-Server 2.16.x.
+ Verwenden Sie `mlflow==3.0.0` für den Tracking-Server 3.0.x.

Informationen darüber, welche Versionen von für MLflow die Verwendung mit SageMaker KI verfügbar sind, finden Sie unter[Tracking-Server-Versionen](mlflow.md#mlflow-create-tracking-server-versions).

## Connect zu Ihrem MLflow Tracking-Server her
<a name="mlflow-track-experiments-tracking-server-connect"></a>

Verwenden Sie `[mlflow.set\_tracking\_uri](https://mlflow.org/docs/2.13.2/python_api/mlflow.html#mlflow.set_tracking_uri)`, um von Ihrer Entwicklungsumgebung aus über den ARN eine Verbindung zu Ihrem Tracking-Server herzustellen:

```
import mlflow

arn = {{"YOUR-TRACKING-SERVER-ARN"}}

mlflow.set_tracking_uri({{arn}})
```