Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Integración de MLflow con el entorno

La siguiente página describe cómo empezar a utilizar el SDK de MLFlow y el complemento de AWS MLflow en su entorno de desarrollo. Esto puede incluir IDE locales o un entorno de cuaderno de Jupyter en Studio o Studio Classic.

Amazon SageMaker AI utiliza un complemento MLflow para personalizar el comportamiento del cliente Python MLflow e integrar AWS las herramientas. El complemento AWS MLflow autentica las llamadas a la API realizadas con MLflow mediante la versión 4 de Signature.AWS El complemento AWS MLflow le permite conectarse a su servidor de seguimiento MLflow mediante el ARN del servidor de seguimiento. Para obtener más información sobre los complementos, consulte AWS MLflow plugin y MLflow plugins.

Para obtener más información sobre el uso del MLflow SDK, consulte la sección Python API de la documentación de MLflow.

Instale MLflow y el AWS El complemento MLflow

En su entorno de desarrollo, instale MLflow y el complemento AWS MLflow.

pip install sagemaker-mlflow

Para garantizar la compatibilidad entre su cliente de MLflow y el servidor de seguimiento, utilice la versión de MLflow correspondiente en función de la versión de su servidor de seguimiento:

Para ver qué versiones de MLflow están disponibles para su uso con SageMaker IA, consulte. Versiones del servidor de seguimiento

Conexión al servidor de seguimiento de MLflow

Utilice mlflow.set_tracking_uri para conectarse al servidor de seguimiento desde el entorno de desarrollo mediante su ARN:

import mlflow

arn = "YOUR-TRACKING-SERVER-ARN"

mlflow.set_tracking_uri(arn)