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.

# Integrazione MLflow con il tuo ambiente
<a name="mlflow-track-experiments"></a>

La pagina seguente descrive come iniziare a usare l' MLflow SDK e il AWS MLflow plugin all'interno del tuo ambiente di sviluppo. Ciò può includere un ambiente locale IDEs o Jupyter Notebook all'interno di Studio o Studio Classic.

Amazon SageMaker AI utilizza un MLflow plug-in per personalizzare il comportamento del client MLflow Python e integrare AWS gli strumenti. [Il AWS MLflow plug-in autentica le chiamate API effettuate MLflow utilizzando AWS la versione 4 di Signature.](https://docs.aws.amazon.com/AmazonS3/latest/API/sig-v4-authenticating-requests.html) Il AWS MLflow plugin ti consente di connetterti al tuo server di MLflow tracciamento utilizzando il server di tracciamento ARN. [Per ulteriori informazioni sui plugin, consulta [AWS MLflow plugin](https://pypi.org/project/sagemaker-mlflow/) e MLflow plugins.](https://mlflow.org/docs/latest/plugins.html)

**Importante**  
Le autorizzazioni utente IAM all'interno del tuo ambiente di sviluppo devono avere accesso a tutte le azioni MLflow API pertinenti per eseguire correttamente gli esempi forniti. Per ulteriori informazioni, consulta [Configura le autorizzazioni IAM per MLflow](mlflow-create-tracking-server-iam.md).

Per ulteriori informazioni sull'utilizzo dell' MLflow SDK, consulta l'API [Python](https://mlflow.org/docs/2.13.2/python_api/index.html) nella MLflow documentazione.

## Installa MLflow e il plugin AWS MLflow
<a name="mlflow-track-experiments-install-plugin"></a>

Nel tuo ambiente di sviluppo, installa entrambi MLflow e il AWS MLflow plugin.

```
pip install sagemaker-mlflow
```

Per garantire la compatibilità tra il MLflow client e il server di tracciamento, utilizzate la MLflow versione corrispondente basata sulla versione del server di tracciamento:
+ Per il server di tracciamento 2.13.x, utilizza `mlflow==2.13.2`
+ Per il server di tracciamento 2.16.x, utilizza `mlflow==2.16.2`
+ Per il server di tracciamento 3.0.x, utilizza `mlflow==3.0.0`

Per vedere quali versioni di MLflow sono disponibili per l'uso con l' SageMaker intelligenza artificiale, consulta[Versioni del server di tracciamento](mlflow.md#mlflow-create-tracking-server-versions).

## Connect al server MLflow di tracciamento
<a name="mlflow-track-experiments-tracking-server-connect"></a>

Utilizza `[mlflow.set\_tracking\_uri](https://mlflow.org/docs/2.13.2/python_api/mlflow.html#mlflow.set_tracking_uri)` per connetterti al server di tracciamento dal tuo ambiente di sviluppo utilizzando il relativo ARN:

```
import mlflow

arn = {{"YOUR-TRACKING-SERVER-ARN"}}

mlflow.set_tracking_uri({{arn}})
```