Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà. # Crea un'app utilizzando il AWS CLI Puoi creare un'app utilizzando il AWS CLI per una personalizzazione della sicurezza più granulare. ## Prerequisiti Per creare un'app utilizzando il AWS CLI, è necessario disporre di quanto segue: + **Accesso a un terminale.**Ciò può includere IDE locali, un'istanza Amazon EC2 o. AWS CloudShell + **Accesso a un ambiente di sviluppo.** Ciò può includere un ambiente notebook locale IDEs o Jupyter all'interno di Studio o Studio Classic. + **Un'installazione configurata**. AWS CLI Per ulteriori informazioni, consulta [Configurazione della AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-configure.html) + **Un ruolo IAM con autorizzazioni appropriate**. Per le fasi seguenti, è necessario che l’ambiente disponga delle autorizzazioni `iam:CreateRole`, `iam:CreatePolicy`, `iam:AttachRolePolicy` e `iam:ListPolicies`. Queste autorizzazioni sono richieste dal ruolo utilizzato per eseguire le fasi descritte in questa guida per l’utente. Le istruzioni contenute in questa guida creano un ruolo IAM che viene utilizzato come ruolo di esecuzione dell' MLflow app in modo che possa accedere ai dati nei tuoi bucket Amazon S3. Inoltre, viene creata una policy per concedere al ruolo IAM dell'utente che interagisce con l'app tramite l' MLflow SDK l'autorizzazione alla chiamata. MLflow APIs Per ulteriori informazioni, consulta [Modifica di una policy di autorizzazioni del ruolo (console)](https://docs.aws.amazon.com/IAM/latest/UserGuide/roles-managingrole-editing-console.html#roles-modify_permissions-policy). Se utilizzi uno SageMaker Studio Notebook, aggiorna il ruolo di servizio per il tuo profilo utente di Studio con queste autorizzazioni IAM. Per aggiornare il ruolo di servizio, accedi alla console SageMaker AI e seleziona il dominio che stai utilizzando. All’interno il dominio, seleziona quindi il profilo utente che stai utilizzando. Qui vedrai il ruolo di servizio elencato. Accedi alla console IAM, cerca il ruolo di servizio in **Ruoli** e aggiorna il tuo ruolo con una policy che consenta le azioni `iam:CreateRole`, `iam:CreatePolicy`, `iam:AttachRolePolicy` e `iam:ListPolicies`. ## Configura il AWS CLI modello Segui questi passaggi della riga di comando all'interno di un terminale AWS CLI per configurare Amazon SageMaker AI con MLflow. 1. Installa una versione aggiornata di AWS CLI. Per ulteriori informazioni, consulta [Install or update to the latest version of the AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html) nella *Guida per l’utente di AWS CLI *. 1. Verificare che AWS CLI sia installato utilizzando il seguente comando: ``` aws sagemaker help ``` Premi `q` per uscire dal prompt. Per la risoluzione dei problemi, consultare [Risoluzione dei problemi di configurazione comuni](mlflow-troubleshooting.md). ## Configurare l' MLflow infrastruttura La sezione seguente mostra come configurare un' MLflow app insieme al bucket Amazon S3 e al ruolo IAM necessari per l'app. ### Creare un bucket S3 All’interno del tuo terminale, utilizza i seguenti comandi per creare un bucket Amazon S3 generico: **Importante** Quando fornisci l'URI Amazon S3 per il tuo negozio di artefatti, assicurati che il bucket Amazon S3 sia nello stesso dell'app. Regione AWS MLflow **L’archiviazione di artefatti tra Regioni non è supportata**. ``` bucket_name=bucket-name region=valid-region aws s3api create-bucket \ --bucket $bucket_name \ --region $region \ --create-bucket-configuration LocationConstraint=$region ``` L’output visualizzato dovrebbe essere simile al seguente: ``` { "Location": "/bucket-name" } ``` ### Configurazione di policy di attendibilità IAM Utilizza le fasi seguenti per creare una policy di attendibilità IAM. Per ulteriori informazioni sui ruoli e sulle policy di attendibilità, consulta [Termini e concetti dei ruoli](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_terms-and-concepts.html) nella *Guida per l’utente di AWS Identity and Access Management *. 1. All’interno del terminale, utilizza il comando seguente per creare un file denominato `mlflow-trust-policy.json`. ``` cat < /tmp/mlflow-trust-policy.json { "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Principal": { "Service": [ "sagemaker.amazonaws.com" ] }, "Action": "sts:AssumeRole" } ] } EOF ``` 1. All’interno del terminale, utilizza il comando seguente per creare un file denominato `custom-policy.json`. ``` cat < /tmp/custom-policy.json { "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "s3:Get*", "s3:Put*", "sagemaker:AddTags", "sagemaker:CreateModelPackageGroup", "sagemaker:CreateModelPackage", "sagemaker:DescribeModelPackageGroup", "sagemaker:UpdateModelPackage", "s3:List*" ], "Resource": "*" } ] } EOF ``` 1. Utilizza la policy di attendibilità per creare un ruolo. Quindi, collega le policy di ruolo IAM che consentono di accedere MLflow ad Amazon S3 e SageMaker Model Registry all'interno del tuo account. MLflow deve avere accesso ad Amazon S3 per l'archivio di artefatti della tua app e al Model Registry per la registrazione automatica dei SageMaker modelli. **Nota** Se stai aggiornando un ruolo esistente, utilizza invece il comando `aws iam update-assume-role-policy --role-name $role_name --policy-document file:///tmp/mlflow-trust-policy.json`. ``` role_name=role-name aws iam create-role \ --role-name $role_name \ --assume-role-policy-document file:///tmp/mlflow-trust-policy.json aws iam put-role-policy \ --role-name $role_name \ --policy-name custom-policy \ --policy-document file:///tmp/custom-policy.json role_arn=$(aws iam get-role --role-name $role_name --query 'Role.Arn' --output text) ``` ## Crea app MLflow All'interno del tuo terminale, usa l'`create-mlflow-app`API per creare un'app a tua scelta. Regione AWS Questo passaggio richiede in genere circa 2-3 minuti. Il comando seguente crea una nuova app con la registrazione automatica del modello abilitata. Per disattivare la registrazione automatica dei modelli, specifica `--no-automatic-model-registration`. Dopo aver creato l'app, puoi avviare l' MLflow interfaccia utente. Per ulteriori informazioni, consulta [Avvio dell’interfaccia utente di MLflow mediante un URL prefirmato](mlflow-launch-ui.md). **Nota** Potrebbero essere necessari fino a 2-3 minuti per completare la creazione dell'app. Se la creazione dell'app richiede più di 3 minuti, verifica di disporre delle autorizzazioni IAM necessarie. Quando crei correttamente un'app, questa si avvia automaticamente. Per impostazione predefinita, l'app creata è la versione più recente e verrà aggiornata automaticamente. ``` app_name=app-name region=valid-region version=valid-version aws sagemaker create-mlflow-app \ --name $app_name \ --artifact-store-uri s3://$bucket_name \ --role-arn $role_arn \ --automatic-model-registration \ --region $region ``` L’output visualizzato dovrebbe essere simile al seguente: ``` { "AppArn": "arn:aws:sagemaker:region:123456789012:mlflow-app/app-name" } ``` **Importante** **Prendi nota dell'ARN dell'app per un uso successivo.** Per le fasi di pulizia, ti servirà anche il `$bucket_name`.