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

La page suivante décrit comment démarrer avec le SDK MLflow et le plugin 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 plugin MLflow pour personnaliser le comportement du client MLflow Python et intégrer AWS des outils. Le plugin AWS MLflow authentifie les appels d'API effectués avec MLflow à l'aide de [AWS Signature](https://docs.aws.amazon.com/AmazonS3/latest/API/sig-v4-authenticating-requests.html) Version 4. Le plugin 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](https://pypi.org/project/sagemaker-mlflow/) et [Plug-ins MLflow](https://mlflow.org/docs/latest/plugins.html).

**Important**  
Vos autorisations utilisateur IAM au sein de votre environnement de développement doivent avoir accès à toutes les actions d’API MLflow pertinentes pour exécuter correctement les exemples fournis. Pour de plus amples informations, veuillez consulter [Configuration des autorisations IAM pour MLflow](mlflow-create-tracking-server-iam.md).

Pour plus d’informations sur l’utilisation du kit SDK MLflow, consultez [API Python](https://mlflow.org/docs/2.13.2/python_api/index.html) dans la documentation MLflow.

## Installez MLflow et le AWS Plug-in MLflow
<a name="mlflow-track-experiments-install-plugin"></a>

Dans votre environnement de développement, installez MLflow et le plugin 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 le serveur de suivi 2.13.x, utilisez `mlflow==2.13.2`
+ Pour le serveur de suivi 2.16.x, utilisez `mlflow==2.16.2`
+ Pour le serveur de suivi 3.0.x, utilisez `mlflow==3.0.0`

Pour savoir quelles versions de MLflow peuvent être utilisées avec l' SageMaker IA, consultez[Versions de serveur de suivi](mlflow.md#mlflow-create-tracking-server-versions).

## Connexion à votre serveur de suivi MLflow
<a name="mlflow-track-experiments-tracking-server-connect"></a>

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