Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Enregistrement automatique de modèles SageMaker AI auprès du registre de modèles SageMaker

Vous pouvez journaliser les modèles MLflow et les enregistrer automatiquement auprès du registre de modèles SageMaker à l’aide du SDK Python ou directement via l’interface utilisateur MLflow.

Enregistrement de modèles à l’aide du kit SageMaker Python SDK

Utilisez create_registered_model dans votre client MLflow pour créer automatiquement un groupe de packages de modèles dans SageMaker AI qui correspond à un modèle MLflow existant de votre choix.

import mlflow 
from mlflow import MlflowClient

mlflow.set_tracking_uri(arn)

client = MlflowClient()

mlflow_model_name = 'AutoRegisteredModel'
client.create_registered_model(mlflow_model_name, tags={"key1": "value1"})

Utilisez mlflow.register_model() pour enregistrer automatiquement un modèle auprès du registre de modèles SageMaker pendant l’entraînement des modèles. Lors de l’enregistrement du modèle MLflow, un groupe de packages de modèle et une version de package de modèles correspondants sont créés dans SageMaker AI.

import mlflow.sklearn
from mlflow.models import infer_signature
from sklearn.datasets import make_regression
from sklearn.ensemble import RandomForestRegressor

mlflow.set_tracking_uri(arn)
params = {"n_estimators": 3, "random_state": 42}
X, y = make_regression(n_features=4, n_informative=2, random_state=0, shuffle=False)

# Log MLflow entities
with mlflow.start_run() as run:
    rfr = RandomForestRegressor(**params).fit(X, y)
    signature = infer_signature(X, rfr.predict(X))
    mlflow.log_params(params)
    mlflow.sklearn.log_model(rfr, artifact_path="sklearn-model", signature=signature)

model_uri = f"runs:/{run.info.run_id}/sklearn-model"
mv = mlflow.register_model(model_uri, "RandomForestRegressionModel")

print(f"Name: {mv.name}")
print(f"Version: {mv.version}")

Enregistrement de modèles à l’aide de l’interface utilisateur MLflow

Vous pouvez également enregistrer un modèle auprès du registre de modèles SageMaker directement dans l’interface utilisateur MLflow. Dans le menu Modèles de l’interface utilisateur MLflow, choisissez Créer un modèle. Tous les modèles nouvellement créés de cette manière sont ajoutés au registre de modèles SageMaker.

Après avoir journalisé un modèle pendant le suivi des expériences, accédez à la page d’exécution dans l’interface utilisateur MLflow. Cliquez sur le volet Artefacts et choisissez Enregistrer un modèle dans le coin supérieur droit pour enregistrer la version du modèle dans MLflow et dans le registre de modèles SageMaker.

Affichage des modèles enregistrés dans Studio

Sur la page d’accueil de SageMaker Studio, choisissez Modèles dans le volet de navigation de gauche pour afficher vos modèles enregistrés. Pour plus d’informations sur la façon de commencer à utiliser Studio, consultez Lancement d’Amazon SageMaker Studio.