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.

Implemente MLflow modelos com ModelBuilder

Você pode implantar MLflow modelos em um endpoint de SageMaker IA usando o Amazon SageMaker AI Model Builder. Para obter mais informações sobre o Amazon SageMaker AI Model Builder, consulte Criar um modelo no Amazon SageMaker AI com ModelBuilder.

ModelBuilder é uma função do Python que pega um modelo de estrutura ou uma especificação de inferência definida pelo usuário e o converte em um modelo implantável. Para obter mais detalhes sobre a ModelBuilder aula, consulte ModelBuilder.

Para implantar seu MLflow modelo usandoModelBuilder, forneça um caminho para seus MLflow artefatos no model_metadata["MLFLOW_MODEL_PATH"] atributo. Continue a leitura para obter mais informações sobre formatos válidos de entrada para caminho de modelo:

Caminhos de modelo que exigem um ARN no model_metadata

Os seguintes caminhos de modelo exigem que você especifique um ARN no model_metadata para implantação:

Caminhos de modelo que não exigem um ARN no model_metadata

Os seguintes caminhos de modelo não exigem que você especifique um ARN no model_metadata para implantação:

Para obter mais informações sobre como a implantação do MLflow modelo funciona com a Amazon SageMaker AI, consulte Implantar MLflow modelo na Amazon SageMaker AI na MLflow documentação.

Se estiver usando um caminho do Amazon S3, você pode encontrar o caminho do seu modelo registrado com os seguintes comandos:

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

O exemplo a seguir é uma visão geral de como implantar seu MLflow modelo usando ModelBuilder um caminho de registro de MLflow modelo. Como esse exemplo fornece o caminho do artefato do modelo na forma de um caminho de registro do MLflow modelo, a chamada para também ModelBuilder deve especificar um ARN do servidor de rastreamento por meio model_metadata["MLFLOW_TRACKING_ARN"] do atributo.

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" )

Para manter o rastreamento de linhagem para MLflow modelos implantados usandoModelBuilder, você deve ter as seguintes permissões do IAM:

Para obter mais informações e end-to-end exemplos, consulteMLflow tutoriais usando exemplos de cadernos Jupyter.