Integrieren von MLflow in Ihre Umgebung

Auf der folgenden Seite werden die ersten Schritte mit dem MLflow SDK und dem AWS-MLflow-Plugin in Ihrer Entwicklungsumgebung beschrieben. Dabei kann es sich um lokale IDEs oder eine Jupyter-Notebook-Umgebung in Studio oder Studio Classic handeln.

Amazon SageMaker AI verwendet ein MLflow-Plugin, um das Verhalten des MLflow-Python-Clients anzupassen und AWS-Tools zu integrieren. Das AWS-MLflow-Plugin authentifiziert API-Aufrufe, die mit MLflow über AWS Signature Version 4 getätigt werden. Mit dem AWS-MLflow-Plugin können Sie über den Tracking-Server-ARN eine Verbindung zu Ihrem MLflow-Tracking-Server herstellen. Weitere Informationen zu Plugins finden Sie unter AWS-MLflow-Plugin und MLflow-Plugins.

Weitere Informationen dazu, wie Sie das MLflow SDK verwenden können, finden Sie in der MLflow-Dokumentation unter Python API.

Installieren von MLflow und des AWS-MLflow-Plugins

Installieren Sie in Ihrer Entwicklungsumgebung sowohl MLflow als auch das AWS-MLflow-Plugin.

pip install sagemaker-mlflow

Um die Kompatibilität zwischen Ihrem MLflow-Client und dem Tracking-Server sicherzustellen, verwenden Sie je nach Version Ihres Tracking-Servers die entsprechende MLflow-Version:

Welche MLflow-Versionen für die Verwendung mit SageMaker AI verfügbar sind, erfahren Sie unter Tracking-Server-Versionen.

Verbindungsherstellung zu Ihrem MLflow-Tracking-Server

Verwenden Sie mlflow.set_tracking_uri, um von Ihrer Entwicklungsumgebung aus über den ARN eine Verbindung zu Ihrem Tracking-Server herzustellen:

import mlflow

arn = "YOUR-TRACKING-SERVER-ARN"

mlflow.set_tracking_uri(arn)