Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Intégrelo MLflow con su entorno
<a name="mlflow-track-experiments"></a>

En la siguiente página, se describe cómo empezar a utilizar el MLflow SDK y el AWS MLflow complemento en su entorno de desarrollo. Esto puede incluir un entorno local IDEs o un entorno de Jupyter Notebook en Studio o Studio Classic.

Amazon SageMaker AI utiliza un MLflow complemento para personalizar el comportamiento del cliente MLflow Python e integrar las AWS herramientas. El AWS MLflow complemento autentica las llamadas a la API realizadas MLflow con la [versión 4 de AWS Signature](https://docs.aws.amazon.com/AmazonS3/latest/API/sig-v4-authenticating-requests.html). El AWS MLflow complemento le permite conectarse a su servidor MLflow de seguimiento mediante el ARN del servidor de seguimiento. Para obtener más información sobre los complementos, consulte [AWS MLflow complementos](https://pypi.org/project/sagemaker-mlflow/) y [MLflow complementos](https://mlflow.org/docs/latest/plugins.html).

**importante**  
Sus permisos de IAM de usuario en su entorno de desarrollo deben tener acceso a todas las acciones de MLflow API relevantes para ejecutar correctamente los ejemplos proporcionados. Para obtener más información, consulte [Configure los permisos de IAM para MLflow](mlflow-create-tracking-server-iam.md).

Para obtener más información sobre el uso del MLflow SDK, consulte la [API de Python](https://mlflow.org/docs/2.13.2/python_api/index.html) en la MLflow documentación.

## La instalación MLflow y el AWS MLflow complemento
<a name="mlflow-track-experiments-install-plugin"></a>

En tu entorno de desarrollo, instala MLflow tanto el AWS MLflow plugin como el mismo.

```
pip install sagemaker-mlflow
```

Para garantizar la compatibilidad entre su MLflow cliente y el servidor de seguimiento, utilice la MLflow versión 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 qué versiones de MLflow están disponibles para su uso con la SageMaker IA, consulte[Versiones del servidor de seguimiento](mlflow.md#mlflow-create-tracking-server-versions).

## Conéctese a su servidor MLflow de seguimiento
<a name="mlflow-track-experiments-tracking-server-connect"></a>

Utilice `[mlflow.set\$1tracking\$1uri](https://mlflow.org/docs/2.13.2/python_api/mlflow.html#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)
```