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.

MLflow Integre-se ao seu ambiente

A página a seguir descreve como começar a usar o MLflow SDK e o AWS MLflow plug-in em seu ambiente de desenvolvimento. Isso pode incluir um ambiente local IDEs ou um ambiente Jupyter Notebook no Studio ou no Studio Classic.

A Amazon SageMaker AI usa um MLflow plug-in para personalizar o comportamento do cliente MLflow Python e integrar AWS ferramentas. O AWS MLflow plug-in autentica as chamadas de API feitas MLflow usando o AWS Signature Version 4. O AWS MLflow plug-in permite que você se conecte ao seu servidor MLflow de rastreamento usando o ARN do servidor de rastreamento. Para obter mais informações sobre plug-ins, consulte AWS MLflow MLflow plug-ins e plug-ins.

Para obter mais informações sobre como usar o MLflow SDK, consulte a API Python na MLflow documentação.

Instalação MLflow e o AWS MLflow plug-in

Em seu ambiente de desenvolvimento, instale ambos MLflow e o AWS MLflow plug-in.

pip install sagemaker-mlflow

Para garantir a compatibilidade entre seu MLflow cliente e o servidor de rastreamento, use a MLflow versão correspondente com base na versão do seu servidor de rastreamento:

Para ver quais versões do MLflow estão disponíveis para uso com SageMaker IA, consulteMonitoramento de versões do servidor.

Conecte-se ao seu servidor MLflow de rastreamento

Use mlflow.set_tracking_uri para conectar-se a um servidor de rastreamento a partir do seu ambiente de desenvolvimento usando o ARN:

import mlflow

arn = "YOUR-TRACKING-SERVER-ARN"

mlflow.set_tracking_uri(arn)