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
<a name="mlflow-track-experiments"></a>

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](https://docs.aws.amazon.com/AmazonS3/latest/API/sig-v4-authenticating-requests.html) 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](https://pypi.org/project/sagemaker-mlflow/) y [MLflow plugins](https://mlflow.org/docs/latest/plugins.html).

**importante**  
Los permisos de IAM de usuario en el entorno de desarrollo deben tener acceso a todas las acciones pertinentes de la API de MLflow para ejecutar correctamente los ejemplos proporcionados. Para obtener más información, consulte [Configuración de permisos de IAM para MLflow](mlflow-create-tracking-server-iam.md).

Para obtener más información sobre el uso del MLflow SDK, consulte la sección [Python API](https://mlflow.org/docs/2.13.2/python_api/index.html) de la documentación de MLflow.

## Instale MLflow y el AWS El complemento MLflow
<a name="mlflow-track-experiments-install-plugin"></a>

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 el servidor de seguimiento 2.13.x, utilice `mlflow==2.13.2`
+ Para el servidor de seguimiento 2.16.x, utilice `mlflow==2.16.2`
+ Para el servidor de seguimiento 3.0.x, utilice `mlflow==3.0.0`

Para ver qué versiones de MLflow están disponibles para su uso con SageMaker IA, consulte. [Versiones del servidor de seguimiento](mlflow.md#mlflow-create-tracking-server-versions)

## Conexión al servidor de seguimiento de MLflow
<a name="mlflow-track-experiments-tracking-server-connect"></a>

Utilice `[mlflow.set\_tracking\_uri](https://mlflow.org/docs/2.13.2/python_api/mlflow.html#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}})
```