Integrazione di MLflow con il proprio ambiente

La pagina seguente descrive come iniziare a utilizzare l’MLflow SDK e il plugin AWS MLflow all’interno del tuo ambiente di sviluppo. Questo può includere IDE locali o un ambiente notebook Jupyter in Studio o Studio Classic.

Amazon SageMaker AI utilizza un plugin MLflow per personalizzare il comportamento del client MLflow Python e integrare gli strumenti AWS. Il plugin AWS MLflow autentica le chiamate API effettuate con MLflow utilizzando AWS Signature Version 4. Il plugin AWS MLflow consente la connessione al server di tracciamento MLflow utilizzando l’ARN del server di tracciamento. Per ulteriori informazioni sui plugin, consulta gli argomenti relativi ai plugin AWS MLflow e ai plugin MLflow.

Per ulteriori informazioni sull’utilizzo dell’MLflow SDK, consulta l’argomento relativo all’API di Python nella documentazione di MLflow.

Installazione dell’MLflow e del plugin AWS MLflow

Nel tuo ambiente di sviluppo, installa sia l’MLflow che il plugin AWS MLflow.

pip install sagemaker-mlflow

Per garantire la compatibilità tra il client MLflow e il server di tracciamento, utilizza la versione MLflow corrispondente in base alla versione del server di tracciamento:

Per conoscere le versioni di MLflow disponibili per l’uso con SageMaker AI, consulta Versioni del server di tracciamento.

Connessione al server di tracciamento MLflow

Utilizza mlflow.set_tracking_uri per connetterti al server di tracciamento dal tuo ambiente di sviluppo utilizzando il relativo ARN:

import mlflow

arn = "YOUR-TRACKING-SERVER-ARN"

mlflow.set_tracking_uri(arn)