翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

ModelBuilder で MLflow モデルをデプロイする

Amazon SageMaker AI Model Builder を使用して、MLflow モデルを SageMaker AI エンドポイントにデプロイできます。Amazon SageMaker AI Model Builder の詳細については、「Create a model in Amazon SageMaker AI with ModelBuilder」を参照してください。

ModelBuilder は、フレームワークモデルまたはユーザー指定の推論仕様を取得し、デプロイ可能なモデルに変換する Python クラスです。ModelBuilder クラスの詳細については、「ModelBuilder」を参照してください。

ModelBuilder を使用して MLflow モデルをデプロイするには、MLflow アーティファクトへのパスを model_metadata["MLFLOW_MODEL_PATH"] 属性に指定します。モデルパスの有効な入力形式の詳細については、以下のセクションを参照してください。

model_metadata で ARN を指定する必要があるモデルパス

次のモデルパスでは、デプロイ用に model_metadata で ARN を指定する必要があります。

model_metadata で ARN を指定する必要がないモデルパス

次のモデルパスでは、デプロイ用に model_metadata で ARN を指定する必要はありません。

Amazon SageMaker AI での MLflow モデルのデプロイの仕組みについては、MLflow ドキュメントの「Deploy MLflow Model to Amazon SageMaker AI」を参照してください。

Amazon S3 パスを使用する場合は、次のコマンドを使用して、登録済みモデルのパスを確認できます。

registered_model = client.get_registered_model(name='AutoRegisteredModel')
source_path = registered_model.latest_versions[0].source

次のサンプルは、ModelBuilder と MLflow モデルレジストリパスを使用して MLflow モデルをデプロイする方法の概要です。このサンプルは、MLflow モデルレジストリパスの形式でモデルアーティファクトのパスを指定しているため、ModelBuilder への呼び出しでは、追跡サーバーの ARN も model_metadata["MLFLOW_TRACKING_ARN"] 属性で指定する必要があります。

from sagemaker.serve import ModelBuilder
from sagemaker.serve.mode.function_pointers import Mode
from sagemaker.serve import SchemaBuilder

my_schema = SchemaBuilder(
    sample_input=sample_input, 
    sample_output=sample_output
)

model_builder = ModelBuilder(
    mode=Mode.SAGEMAKER_ENDPOINT,
    schema_builder=my_schema,
    role_arn="Your-service-role-ARN",
    model_metadata={
        # both model path and tracking server ARN are required if you use an mlflow run ID or mlflow model registry path as input
        "MLFLOW_MODEL_PATH": "models:/sklearn-model/1"
        "MLFLOW_TRACKING_ARN": "arn:aws:sagemaker:region:account-id:mlflow-tracking-server/tracking-server-name"
    }
)
model = model_builder.build()
predictor = model.deploy( initial_instance_count=1, instance_type="ml.c6i.xlarge" )

ModelBuilder を使用してデプロイされた MLflow モデルの系統追跡を維持するには、次の IAM アクセス許可が必要です。

詳細な説明とエンドツーエンドの例については、「サンプル Jupyter Notebook を使用した MLflow チュートリアル」を参照してください。