Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Secara otomatis mendaftarkan model SageMaker AI dengan SageMaker Model Registry
<a name="mlflow-track-experiments-model-registration"></a>

Anda dapat mencatat MLflow model dan secara otomatis mendaftarkannya dengan SageMaker Model Registry menggunakan SDK Python atau langsung melalui UI. MLflow 

**catatan**  
Jangan gunakan spasi dalam nama model. Meskipun MLflow mendukung nama model dengan spasi, SageMaker AI Model Package tidak. Proses registrasi otomatis gagal jika Anda menggunakan spasi dalam nama model Anda.

## Daftarkan model menggunakan SageMaker Python SDK
<a name="mlflow-track-experiments-model-registration-sdk"></a>

Gunakan `create_registered_model` dalam MLflow klien Anda untuk secara otomatis membuat grup paket model di SageMaker AI yang sesuai dengan MLflow model pilihan Anda yang ada.

```
import mlflow 
from mlflow import MlflowClient

mlflow.set_tracking_uri(arn)

client = MlflowClient()

mlflow_model_name = 'AutoRegisteredModel'
client.create_registered_model(mlflow_model_name, tags={"key1": "value1"})
```

Gunakan `mlflow.register_model()` untuk mendaftarkan model secara otomatis dengan Registri SageMaker Model selama pelatihan model. Saat mendaftarkan MLflow model, grup paket model yang sesuai dan versi paket model dibuat di SageMaker AI. 

```
import mlflow.sklearn
from mlflow.models import infer_signature
from sklearn.datasets import make_regression
from sklearn.ensemble import RandomForestRegressor

mlflow.set_tracking_uri(arn)
params = {"n_estimators": 3, "random_state": 42}
X, y = make_regression(n_features=4, n_informative=2, random_state=0, shuffle=False)

# Log MLflow entities
with mlflow.start_run() as run:
    rfr = RandomForestRegressor(**params).fit(X, y)
    signature = infer_signature(X, rfr.predict(X))
    mlflow.log_params(params)
    mlflow.sklearn.log_model(rfr, artifact_path="sklearn-model", signature=signature)

model_uri = f"runs:/{run.info.run_id}/sklearn-model"
mv = mlflow.register_model(model_uri, "RandomForestRegressionModel")

print(f"Name: {mv.name}")
print(f"Version: {mv.version}")
```

## Daftarkan model menggunakan MLflow UI
<a name="mlflow-track-experiments-model-registration-ui"></a>

Anda juga dapat mendaftarkan model dengan SageMaker Model Registry langsung di MLflow UI. Dalam menu **Model** di MLflow UI, pilih **Buat Model**. Setiap model yang baru dibuat dengan cara ini ditambahkan ke Registri SageMaker Model.

![\[Pembuatan registri model dalam MLflow UI.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/mlflow/mlflow-ui-register-model.png)


Setelah mencatat model selama pelacakan eksperimen, navigasikan ke halaman jalankan di MLflow UI. Pilih panel **Artefacts** dan pilih **Daftarkan model** di sudut kanan atas untuk mendaftarkan versi model di keduanya MLflow dan SageMaker Model Registry. 

![\[Pembuatan registri model dalam MLflow UI.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/mlflow/mlflow-ui-register-model-2.png)


## Lihat model terdaftar di Studio
<a name="mlflow-track-experiments-model-registration-ui-view"></a>

Di halaman landing SageMaker Studio, pilih **Model** di panel navigasi kiri untuk melihat model terdaftar Anda. Untuk informasi selengkapnya tentang memulai Studio, lihat [Meluncurkan Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html).

![\[MLflow model terdaftar di SageMaker Model Registry di UI Studio.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/mlflow/mlflow-studio-model-registry.png)