As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá. # Crie um servidor de rastreamento usando o AWS CLI Você pode criar um servidor de rastreamento usando o AWS CLI para uma personalização de segurança mais granular. ## Pré-requisitos Para criar um servidor de rastreamento usando o AWS CLI, você deve ter o seguinte: + **Acesso a um terminal. **Isso pode incluir IDEs locais, uma instância do Amazon EC2 ou. AWS CloudShell + **Acesso a um ambiente de desenvolvimento.** Isso pode incluir um ambiente de notebook local IDEs ou Jupyter no Studio ou no Studio Classic. + **Uma AWS CLI instalação configurada**. Para obter mais informações, consulte [Configurar a AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-configure.html). + **Um perfil do IAM com as permissões adequadas**. As etapas a seguir exigem que seu ambiente tenha as permissões `iam:CreateRole`, `iam:CreatePolicy`, `iam:AttachRolePolicy` e `iam:ListPolicies`. Essas permissões são necessárias no perfil que está sendo usado para executar as etapas deste guia do usuário. As instruções neste guia criam uma função do IAM que é usada como função de execução do MLflow Tracking Server para que ele possa acessar dados em seus buckets do Amazon S3. Além disso, uma política é criada para dar ao papel do IAM do usuário que está interagindo com o Tracking Server por meio do MLflow SDK permissão para chamar. MLflow APIs Para obter mais informações, consulte [Modificar a política de permissões (console)](https://docs.aws.amazon.com/IAM/latest/UserGuide/roles-managingrole-editing-console.html#roles-modify_permissions-policy). Se estiver usando um SageMaker Studio Notebook, atualize a função de serviço do seu perfil de usuário do Studio com essas permissões do IAM. Para atualizar a função de serviço, navegue até o console do SageMaker AI e selecione o domínio que você está usando. Em seguida, no domínio, selecione o perfil de usuário que você está usando. Você verá o perfil de serviço listado. Navegue até o console do IAM, pesquise o perfil de serviço em **Perfis** e atualize seu perfil com uma política que permita as ações `iam:CreateRole`, `iam:CreatePolicy`, `iam:AttachRolePolicy` e `iam:ListPolicies`. ## Configurar AWS CLI modelo Siga estas etapas da linha de comando em um terminal para configurar o AWS CLI para Amazon SageMaker AI com MLflow. 1. Instale uma versão atualizada do AWS CLI. Para obter mais informações, consulte [Instalar ou atualizar para a versão mais recente da AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html), no *Guia do usuário da AWS CLI *. 1. Verifique se o AWS CLI está instalado usando o seguinte comando: ``` aws sagemaker help ``` Clique em `q` para sair do prompt. Para obter ajuda sobre a solução de problemas, consulte [Solucionar problemas comuns de configuração](mlflow-troubleshooting.md). ## Configure a MLflow infraestrutura A seção a seguir mostra como configurar um servidor de MLflow rastreamento junto com o bucket do Amazon S3 e a função do IAM necessária para o servidor de rastreamento. ### Crie um bucket do S3 Em seu terminal, use os seguintes comandos para criar um bucket do Amazon S3 de uso geral: **Importante** Ao fornecer o URI do Amazon S3 para seu armazenamento de artefatos, certifique-se de que o bucket do Amazon S3 esteja no mesmo Região da AWS que seu servidor de rastreamento. **Não é possível usar armazenamento de artefatos entre regiões**. ``` bucket_name=bucket-name region=valid-region aws s3api create-bucket \ --bucket $bucket_name \ --region $region \ --create-bucket-configuration LocationConstraint=$region ``` A saída deve ser semelhante à seguinte: ``` { "Location": "/bucket-name" } ``` ### Configurar políticas de confiança do IAM Use as etapas a seguir para criar uma política de confiança do IAM. Para obter mais informações sobre políticas e perfis, consulte [Termos e conceitos das funções](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_terms-and-concepts.html) no *Guia do usuário do AWS Identity and Access Management *. 1. No terminal, use o comando a seguir para criar um arquivo chamado `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. No terminal, use o comando a seguir para criar um arquivo chamado `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. Use a política de confiança para criar um perfil. Em seguida, anexe políticas de função do IAM que permitam MLflow acessar o Amazon S3 e o SageMaker Model Registry em sua conta. MLflow deve ter acesso ao Amazon S3 para o armazenamento de artefatos do seu servidor de rastreamento e ao SageMaker Model Registry para o registro automático do modelo. **nota** Porém, se quiser atualizar um perfil existente, use o seguinte 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) ``` ## Crie um servidor MLflow de rastreamento No seu terminal, use a `create-mlflow-tracking-server` API para criar um servidor de rastreamento no local Região da AWS de sua escolha. Essa etapa pode levar até 25 minutos. Você também pode especificar o tamanho do servidor de rastreamento com o parâmetro `--tracking-server-config`. Escolha entre `"Small"`, `"Medium"` e `"Large"`. O tamanho padrão da configuração do Servidor de MLflow Rastreamento é`"Small"`. Você pode escolher um tamanho dependendo do uso projetado do servidor de rastreamento, como o volume de dados registrados, o número de usuários e a frequência de uso. Para obter mais informações, consulte [MLflow Tamanhos de servidores de rastreamento](mlflow.md#mlflow-create-tracking-server-sizes). O comando a seguir cria um novo servidor de rastreamento com o registro automático do modelo ativado. Para desativar o registro automático do modelo, especifique `--no-automatic-model-registration`. Depois de criar seu servidor de rastreamento, você pode iniciar a MLflow interface do usuário. Para obter mais informações, consulte [Iniciar a interface do usuário do MLflow com o uso de um URLs pré-assinado.](mlflow-launch-ui.md). **nota** Pode levar até 25 minutos para concluir a criação do servidor de rastreamento. Se o servidor de rastreamento levar mais de 25 minutos para ser criado, verifique se você possui as permissões necessárias do IAM. Para obter mais informações sobre as permissões do IAM, consulte [Configure as permissões do IAM para MLflow](mlflow-create-tracking-server-iam.md). Quando você cria corretamente um servidor de rastreamento, ele é iniciado automaticamente. Ao criar um servidor de rastreamento, é recomendável especificar a versão mais recente. Para ter informações sobre as versões disponíveis, consulte [Monitoramento de versões do servidor](mlflow.md#mlflow-create-tracking-server-versions). Por padrão, a versão do servidor de rastreamento criado é a mais recente. No entanto, recomendamos sempre especificar a versão mais recente de forma explícita, pois a subjacente MLflow APIs pode mudar. ``` 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 $version ``` A saída deve ser semelhante ao seguinte: ``` { "TrackingServerArn": "arn:aws:sagemaker:region:123456789012:mlflow-tracking-server/tracking-server-name" } ``` **Importante** **Anote o ARN do servidor de rastreamento para usos no futuro.** Você também precisará de `$bucket_name` para as etapas de limpeza.