Crea un server di tracciamento utilizzando il AWS CLI - Amazon SageMaker AI
PrerequisitiConfigura il AWS CLI modelloConfigura l'infrastruttura MLflow Crea un server MLflow di tracciamento

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 server di tracciamento utilizzando il AWS CLI

È possibile creare un server di tracciamento utilizzando il AWS CLI per una personalizzazione della sicurezza più granulare.

Prerequisiti

Per creare un server di tracciamento utilizzando il AWS CLI, è necessario disporre di quanto segue:

  • Accesso a un terminale.Ciò può includere un'istanza locale IDEs, un' EC2 istanza Amazon 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

  • Un ruolo IAM con autorizzazioni appropriate. I passaggi seguenti richiedono che l'ambiente disponga di iam:CreateRole iam:CreatePolicyiam:AttachRolePolicy, e iam:ListPolicies autorizzazioni. Queste autorizzazioni sono necessarie per il ruolo utilizzato per eseguire i passaggi descritti in questa guida per l'utente. Le istruzioni contenute in questa guida creano un ruolo IAM che viene utilizzato come ruolo di esecuzione del MLflow Tracking Server 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 il Tracking Server tramite l' MLflow SDK il permesso di chiamare. MLflow APIs Per ulteriori informazioni, consulta Modifica della politica di autorizzazione di un ruolo (console).

    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. Quindi, sotto il dominio, seleziona 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 leiam:CreateRole, iam:CreatePolicyiam:AttachRolePolicy, e iam:ListPolicies le azioni.

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 Installare o aggiornare alla versione più recente di AWS CLI nella Guida per l'AWS CLI utente.

  2. Verificate che AWS CLI sia installato utilizzando il seguente comando: 

    aws sagemaker help

    qPremete per uscire dal prompt.

    Per la risoluzione dei problemi, consultare Risolvi i problemi di configurazione più comuni.

Configura l'infrastruttura MLflow

La sezione seguente mostra come configurare un server di MLflow tracciamento insieme al bucket Amazon S3 e al ruolo IAM necessari per il server di tracciamento.

Creare un bucket S3

All'interno del tuo terminale, usa 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 del tuo server di tracciamento. Regione AWS Lo storage di artefatti tra regioni non è supportato.

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"
}

Configura le policy di fiducia IAM

Utilizza i seguenti passaggi per creare una policy di fiducia IAM. Per ulteriori informazioni sui ruoli e sulle politiche di fiducia, consulta i termini e i concetti relativi ai ruoli nella Guida per l'AWS Identity and Access Management utente.

  1. All'interno del terminale, utilizzate il seguente comando per creare un file chiamatomlflow-trust-policy.json.

    cat <<EOF > /tmp/mlflow-trust-policy.json
{
     "Version": "2012-10-17",
     "Statement": [
         {
             "Effect": "Allow",
             "Principal": {
                 "Service": [                     
                      "sagemaker.amazonaws.com"
                 ]
             },
             "Action": "sts:AssumeRole"
         }
     ]
 }
EOF

  2. All'interno del terminale, utilizzate il seguente comando per creare un file chiamatocustom-policy.json.

    cat <<EOF > /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

  3. Utilizzate il file dei criteri di fiducia 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 degli artefatti del tuo server di tracciamento e al Model Registry per la registrazione automatica dei SageMaker modelli.

    Nota

    Se stai aggiornando un ruolo esistente, usa invece il seguente 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 un server MLflow di tracciamento

All'interno del tuo terminale, utilizza l'create-mlflow-tracking-serverAPI per creare un server Regione AWS di tracciamento a tua scelta. Questa operazione può richiedere fino a 25 minuti.

Facoltativamente, puoi specificare la dimensione del tuo server di tracciamento con il parametro--tracking-server-config. Scegli tra "Small""Medium", e"Large". La dimensione di configurazione predefinita del MLflow Tracking Server è"Small". È possibile scegliere una dimensione in base all'uso previsto del server di tracciamento, ad esempio il volume di dati registrati, il numero di utenti e la frequenza di utilizzo. Per ulteriori informazioni, consulta MLflow Dimensioni del server di monitoraggio.

Il comando seguente crea un nuovo server di tracciamento con la registrazione automatica del modello abilitata. Per disattivare la registrazione automatica del modello, specificare--no-automatic-model-registration.

Dopo aver creato il server di tracciamento, puoi avviare l' MLflow interfaccia utente. Per ulteriori informazioni, consulta Avvia l' MLflow interfaccia utente utilizzando un URL predefinito.

Nota

Potrebbero essere necessari fino a 25 minuti per completare la creazione del server di tracciamento. Se la creazione del server di tracciamento impiega più di 25 minuti, verifica di disporre delle autorizzazioni IAM necessarie. Per ulteriori informazioni sulle autorizzazioni IAM, consulta. Configura le autorizzazioni IAM per MLflow Quando crei con successo un server di tracciamento, questo si avvia automaticamente.

Quando crei un server di tracciamento, ti consigliamo di specificare la versione più recente. Per informazioni sulle versioni disponibili, consultaVersioni del server di tracciamento.

Per impostazione predefinita, il server di tracciamento creato è la versione più recente. Tuttavia, consigliamo di specificare sempre l'ultima versione in modo esplicito, poiché la versione sottostante MLflow APIs può cambiare.

ts_name=tracking-server-name
region=valid-region
version=valid-version        


aws sagemaker create-mlflow-tracking-server \
 --tracking-server-name $ts_name \
 --artifact-store-uri s3://$bucket_name \
 --role-arn $role_arn \
 --automatic-model-registration \
 --region $region \
 --mlflow-version $version

L'output visualizzato dovrebbe essere simile al seguente: 

{
    "TrackingServerArn": "arn:aws:sagemaker:region:123456789012:mlflow-tracking-server/tracking-server-name"
}
Importante

Prendi nota dell'ARN del server di tracciamento per un uso successivo. Ti serviranno anche i passaggi $bucket_name per la pulizia.