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.

Intégration de MLflow à votre environnement

La page suivante décrit comment commencer à utiliser le kit SDK MLflow et le plu-gin AWS MLflow dans votre environnement de développement. Cela peut inclure des IDE locaux ou un environnement de bloc-notes Jupyter dans Studio ou Studio Classic.

Amazon SageMaker AI utilise un plug-in MLflow pour personnaliser le comportement du client MLflow Python et intégrer des outils AWS. Le plug-in AWS MLflow authentifie les appels d’API effectués avec MLflow à l’aide d’AWS Signature Version 4. Le plug-in AWS MLflow vous permet de vous connecter à votre serveur de suivi MLflow à l’aide de l’ARN du serveur de suivi. Pour plus d’informations sur les plug-ins, consultez Plug-in AWS MLflow et Plug-ins MLflow.

Pour plus d’informations sur l’utilisation du kit SDK MLflow, consultez API Python dans la documentation MLflow.

Installez MLflow et le plug-in AWS MLflow

Dans votre environnement de développement, installez MLflow et le plug-in AWS MLflow.

pip install sagemaker-mlflow

Pour garantir la compatibilité entre votre client MLflow et votre serveur de suivi, utilisez la version MLflow correspondant à la version de votre serveur de suivi :

Pour connaître les versions de MLflow pouvant être utilisées avec SageMaker AI, consultez Versions de serveur de suivi.

Connexion à votre serveur de suivi MLflow

Utilisez mlflow.set_tracking_uri et l’ARN de votre serveur de suivi pour vous connecter à ce dernier depuis votre environnement de développement :

import mlflow

arn = "YOUR-TRACKING-SERVER-ARN"

mlflow.set_tracking_uri(arn)