Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

# Intégrez MLflow à votre environnement
<a name="mlflow-track-experiments"></a>

La page suivante explique comment démarrer avec le MLflow SDK et le AWS MLflow plugin dans votre environnement de développement. Cela peut inclure un environnement local IDEs ou Jupyter Notebook dans Studio ou Studio Classic.

Amazon SageMaker AI utilise un MLflow plugin pour personnaliser le comportement du client MLflow Python et intégrer des AWS outils. Le AWS MLflow plugin authentifie les appels d'API effectués à MLflow l'aide de [AWS Signature Version 4](https://docs.aws.amazon.com/AmazonS3/latest/API/sig-v4-authenticating-requests.html). Le AWS MLflow plugin vous permet de vous connecter à votre serveur de MLflow suivi à l'aide de l'ARN du serveur de suivi. Pour plus d'informations sur les plug-ins, consultez la section [AWS MLflow Plug-in](https://pypi.org/project/sagemaker-mlflow/) et [MLflow plugins](https://mlflow.org/docs/latest/plugins.html).

**Important**  
Vos autorisations utilisateur IAM au sein de votre environnement de développement doivent avoir accès à toutes les actions d' MLflow API pertinentes pour exécuter correctement les exemples fournis. Pour de plus amples informations, veuillez consulter [Configurer les autorisations IAM pour MLflow](mlflow-create-tracking-server-iam.md).

Pour plus d'informations sur l'utilisation du MLflow SDK, consultez [l'API Python](https://mlflow.org/docs/2.13.2/python_api/index.html) dans la MLflow documentation.

## L'installation MLflow et le AWS MLflow plugin
<a name="mlflow-track-experiments-install-plugin"></a>

Dans votre environnement de développement, installez les deux MLflow ainsi que le AWS MLflow plugin.

```
pip install sagemaker-mlflow
```

Pour garantir la compatibilité entre votre MLflow client et votre serveur de suivi, utilisez la MLflow version correspondante en fonction de la version de votre serveur de suivi :
+ Pour le serveur de suivi 2.13.x, utilisez `mlflow==2.13.2`
+ Pour le serveur de suivi 2.16.x, utilisez `mlflow==2.16.2`
+ Pour le serveur de suivi 3.0.x, utilisez `mlflow==3.0.0`

Pour savoir quelles versions de MLflow peuvent être utilisées avec l' SageMaker IA, consultez[Versions de serveur de suivi](mlflow.md#mlflow-create-tracking-server-versions).

## Connectez-vous à votre serveur MLflow de suivi
<a name="mlflow-track-experiments-tracking-server-connect"></a>

Utilisez `[mlflow.set\$1tracking\$1uri](https://mlflow.org/docs/2.13.2/python_api/mlflow.html#mlflow.set_tracking_uri)` et l’ARN de votre serveur de suivi pour vous connecter à ce dernier depuis votre environnement de développement :

```
import mlflow

arn = "YOUR-TRACKING-SERVER-ARN"

mlflow.set_tracking_uri(arn)
```