Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Secara otomatis mendaftarkan model SageMaker AI dengan SageMaker Model Registry

Anda dapat mencatat model MLFlow dan secara otomatis mendaftarkannya dengan SageMaker Model Registry menggunakan SDK Python atau langsung melalui UI MLFlow.

Daftarkan model menggunakan SageMaker Python SDK

Gunakan create_registered_model dalam klien MLFlow Anda untuk secara otomatis membuat grup paket model di SageMaker AI yang sesuai dengan model MLFlow pilihan Anda yang ada.

import mlflow 
from mlflow import MlflowClient

mlflow.set_tracking_uri(arn)

client = MlflowClient()

mlflow_model_name = 'AutoRegisteredModel'
client.create_registered_model(mlflow_model_name, tags={"key1": "value1"})

Gunakan mlflow.register_model() untuk mendaftarkan model secara otomatis dengan Registri SageMaker Model selama pelatihan model. Saat mendaftarkan model MLFlow, grup paket model yang sesuai dan versi paket model dibuat dalam SageMaker AI.

import mlflow.sklearn
from mlflow.models import infer_signature
from sklearn.datasets import make_regression
from sklearn.ensemble import RandomForestRegressor

mlflow.set_tracking_uri(arn)
params = {"n_estimators": 3, "random_state": 42}
X, y = make_regression(n_features=4, n_informative=2, random_state=0, shuffle=False)

# Log MLflow entities
with mlflow.start_run() as run:
    rfr = RandomForestRegressor(**params).fit(X, y)
    signature = infer_signature(X, rfr.predict(X))
    mlflow.log_params(params)
    mlflow.sklearn.log_model(rfr, artifact_path="sklearn-model", signature=signature)

model_uri = f"runs:/{run.info.run_id}/sklearn-model"
mv = mlflow.register_model(model_uri, "RandomForestRegressionModel")

print(f"Name: {mv.name}")
print(f"Version: {mv.version}")

Daftarkan model menggunakan UI MLFlow

Anda juga dapat mendaftarkan model dengan SageMaker Model Registry langsung di UI MLFlow. Dalam menu Model di UI MLFlow, pilih Buat Model. Setiap model yang baru dibuat dengan cara ini ditambahkan ke Registri SageMaker Model.

Setelah mencatat model selama pelacakan eksperimen, navigasikan ke halaman jalankan di UI MLFlow. Pilih panel Artefacts dan pilih Daftarkan model di sudut kanan atas untuk mendaftarkan versi model di MLFlow dan SageMaker Model Registry.

Lihat model terdaftar di Studio

Di halaman landing SageMaker Studio, pilih Model di panel navigasi kiri untuk melihat model terdaftar Anda. Untuk informasi selengkapnya tentang memulai Studio, lihat Meluncurkan Amazon SageMaker Studio.