Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Bereitstellen von MLflow-Modellen mit `ModelBuilder`
Mit Amazon AI Model Builder können Sie MLflow-Modelle auf einem SageMaker SageMaker KI-Endpunkt bereitstellen. Weitere Informationen zu Amazon SageMaker AI Model Builder finden Sie unter [Erstellen eines Modells in Amazon SageMaker AI mit ModelBuilder](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-modelbuilder-creation.html).
`ModelBuilder` ist eine Python-Klasse, die ein Framework-Modell oder eine benutzerdefinierte Inferenzspezifikation in ein bereitstellbares Modell konvertiert. Weitere Informationen zur `ModelBuilder` Klasse finden Sie unter [ModelBuilder](https://sagemaker.readthedocs.io/en/stable/api/inference/model_builder.html#sagemaker.serve.builder.model_builder.ModelBuilder).
Um Ihr MLflow-Modell mit`ModelBuilder` bereitzustellen, geben Sie im Attribut `model_metadata["MLFLOW_MODEL_PATH"]` einen Pfad zu Ihren MLflow-Artefakten an. Weitere Informationen zu gültigen Eingabeformaten für Modellpfade finden Sie hier:
**Anmerkung**
Wenn Sie den Pfad des Modellartefakts in Form einer MLflow-Lauf-ID oder eines Model-Registry-Pfads von MLflow angeben, müssen Sie auch Ihren Tracking-Server-ARN über das Attribut `model_metadata["MLFLOW_TRACKING_ARN"]` angeben.
+ [Modellpfade, für die ein ARN in den `model_metadata` erforderlich ist](#mlflow-track-experiments-model-deployment-with-arn)
+ [Modellpfade, für die kein ARN in den `model_metadata` erforderlich ist](#mlflow-track-experiments-model-deployment-without-arn)
## Modellpfade, für die ein ARN in den `model_metadata` erforderlich ist
Für die folgenden Modellpfade müssen Sie unter `model_metadata` für die Bereitstellung einen ARN angeben:
+ MLflow-[Lauf-ID](https://mlflow.org/docs/latest/python_api/mlflow.entities.html?highlight=mlflow%20info#mlflow.entities.RunInfo.run_id): `{{runs:/aloy-run-id/run-relative/path/to/model}}`
+ Pfad zur MLflow [Model Registry](https://mlflow.org/docs/latest/model-registry.html#find-registered-models): `{{models:/model-name/model-version}}`
## Modellpfade, für die kein ARN in den `model_metadata` erforderlich ist
Für die folgenden Modellpfade müssen Sie bei der Bereitstellung unter `model_metadata` keinen ARN angeben:
+ Lokaler Modellpfad: `{{/Users/me/path/to/local/model}}`
+ Amazon-S3-Modellpfad: `{{s3://amzn-s3-demo-bucket/path/to/model}}`
+ Modellpaket-ARN: `{{arn:aws:sagemaker:region:account-id:mlflow-tracking-server/tracking-server-name}}`
Weitere Informationen darüber, wie die Bereitstellung von MLflow-Modellen mit Amazon SageMaker AI funktioniert, finden Sie unter [Deploy MLflow Model to Amazon SageMaker AI](https://mlflow.org/docs/latest/deployment/deploy-model-to-sagemaker.html) in der MLflow-Dokumentation.
Wenn Sie einen Amazon-S3-Pfad verwenden, können Sie den Pfad Ihres registrierten Modells mit den folgenden Befehlen ermitteln:
```
registered_model = client.get_registered_model(name={{'AutoRegisteredModel'}})
source_path = registered_model.latest_versions[0].source
```
Das folgende Beispiel gibt einen Überblick darüber, wie Sie Ihr MLflow-Modell anhand von `ModelBuilder` und mithilfe eines Pfads zur MLflow Model Registry bereitstellen. Da dieses Beispiel den Modellartefaktpfad in Form eines Pfads zur MLflow Model Registry bereitstellt, muss beim Aufruf von `ModelBuilder` auch ein Tracking-Server-ARN über das Attribut `model_metadata["MLFLOW_TRACKING_ARN"]` angegeben werden.
**Wichtig**
Sie müssen Version [2.224.0](https://pypi.org/project/sagemaker/2.224.0/) oder höher des SageMaker Python-SDK verwenden, um es zu verwenden. `ModelBuilder`
**Anmerkung**
Verwenden Sie das folgende Codebeispiel als Referenz. Ausführliche Beispiele dazu, wie Sie registrierte MLflow-Modelle bereitstellen können, finden Sie unter [MLflow-Tutorials mit Beispiel-Jupyter-Notebooks](mlflow-tutorials.md).
```
from sagemaker.serve import ModelBuilder
from sagemaker.serve.mode.function_pointers import Mode
from sagemaker.serve import SchemaBuilder
my_schema = SchemaBuilder(
sample_input={{sample_input}},
sample_output={{sample_output}}
)
model_builder = ModelBuilder(
mode=Mode.SAGEMAKER_ENDPOINT,
schema_builder=my_schema,
role_arn="{{Your-service-role-ARN}}",
model_metadata={
# both model path and tracking server ARN are required if you use an mlflow run ID or mlflow model registry path as input
"MLFLOW_MODEL_PATH": "{{models:/sklearn-model/1}}"
"MLFLOW_TRACKING_ARN": "{{arn:aws:sagemaker:region:account-id:mlflow-tracking-server/tracking-server-name}}"
}
)
model = model_builder.build()
predictor = model.deploy( initial_instance_count={{1}}, instance_type="{{ml.c6i.xlarge}}" )
```
Um die [Herkunftsverfolgung](https://docs.aws.amazon.com/sagemaker/latest/dg/lineage-tracking.html) für MLflow-Modelle aufrechtzuerhalten, die mit `ModelBuilder` bereitgestellt wurden, benötigen Sie die folgenden IAM-Berechtigungen:
+ `sagemaker:CreateArtifact`
+ `sagemaker:ListArtifacts`
+ `sagemaker:AddAssociation`
+ `sagemaker:DescribeMLflowTrackingServer`
**Wichtig**
Die Herkunftsnachverfolgung ist optional. Die Bereitstellung ist auch ohne Berechtigungen zur Herkunftsnachverfolgung erfolgreich. Wenn Sie die Berechtigungen nicht konfiguriert haben, wird Ihnen beim Aufrufen von `model.deploy()` ein Fehler bezüglich der Berechtigungen zur Herkunftsnachverfolgung angezeigt. Die Endpunktbereitstellung ist jedoch weiterhin erfolgreich und Sie können direkt mit Ihrem Modellendpunkt interagieren. Wenn die oben genannten Berechtigungen konfiguriert sind, werden Informationen zur Herkunftsnachverfolgung automatisch erstellt und gespeichert.
Weitere Informationen und umfassende Beispiele finden Sie unter [MLflow-Tutorials mit Beispiel-Jupyter-Notebooks](mlflow-tutorials.md).