Integración de MLflow con el entorno - Amazon SageMaker AI
Instalación de MLflow y el complemento MLflow de AWS Conexión al servidor de seguimiento de MLflow

Integración de MLflow con el entorno

En la siguiente página se describe cómo empezar a utilizar el MLflow SDK y el complemento MLflow de AWS en el entorno de desarrollo. Esto puede incluir IDE locales o un entorno de cuaderno de Jupyter en Studio o Studio Classic.

Amazon SageMaker AI utiliza un complemento MLflow para personalizar el comportamiento del cliente de MLflow Python e integrar las herramientas de AWS. El complemento MLflow de AWS autentica las llamadas a la API realizadas con MLflow mediante AWS Signature Version 4. El complemento MLflow de AWS le permite conectar el servidor de seguimiento de MLflow mediante su ARN. Para obtener más información sobre los complementos, consulte AWS MLflow plugin y MLflow plugins.

importante

Los permisos de IAM de usuario en el entorno de desarrollo deben tener acceso a todas las acciones pertinentes de la API de MLflow para ejecutar correctamente los ejemplos proporcionados. Para obtener más información, consulte Configuración de permisos de IAM para MLflow.

Para obtener más información sobre el uso del MLflow SDK, consulte la sección Python API de la documentación de MLflow.

Instalación de MLflow y el complemento MLflow de AWS

En el entorno de desarrollo, instale MLflow y el complemento MLflow de AWS.

pip install sagemaker-mlflow

Para garantizar la compatibilidad entre su cliente de MLflow y el servidor de seguimiento, utilice la versión de MLflow correspondiente en función de la versión de su servidor de seguimiento:

  • Para el servidor de seguimiento 2.13.x, utilice mlflow==2.13.2

  • Para el servidor de seguimiento 2.16.x, utilice mlflow==2.16.2

  • Para el servidor de seguimiento 3.0.x, utilice mlflow==3.0.0

Para ver las versiones de MLflow que están disponibles para su uso con SageMaker AI, consulte Versiones del servidor de seguimiento.

Conexión al servidor de seguimiento de MLflow

Utilice mlflow.set_tracking_uri para conectarse al servidor de seguimiento desde el entorno de desarrollo mediante su ARN:

import mlflow

arn = "YOUR-TRACKING-SERVER-ARN"

mlflow.set_tracking_uri(arn)