Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Integrazione di MLflow con il proprio ambiente
<a name="mlflow-track-experiments"></a>

La pagina seguente descrive come iniziare a utilizzare l'SDK MLFlow e il plug-in MLFlow all'interno del AWS proprio ambiente di sviluppo. Questo può includere IDE locali o un ambiente notebook Jupyter in Studio o Studio Classic.

Amazon SageMaker AI utilizza un plug-in MLFlow per personalizzare il comportamento del client MLFlow Python e integrare gli strumenti. AWS [Il plug-in AWS MLFlow autentica le chiamate API effettuate con MLFlow utilizzando la versione 4 di Signature.AWS](https://docs.aws.amazon.com/AmazonS3/latest/API/sig-v4-authenticating-requests.html) Il plug-in AWS MLFlow consente di connettersi al server di tracciamento MLFlow utilizzando il server di tracciamento ARN. Per ulteriori informazioni sui plugin, consulta gli argomenti relativi ai [plugin AWS MLflow](https://pypi.org/project/sagemaker-mlflow/) e ai [plugin MLflow](https://mlflow.org/docs/latest/plugins.html).

**Importante**  
Per eseguire correttamente gli esempi forniti, devi disporre delle autorizzazioni IAM necessarie per accedere alle azioni API MLflow pertinenti nel proprio ambiente di sviluppo. Per ulteriori informazioni, consulta [Impostazione delle autorizzazioni IAM per MLflow.](mlflow-create-tracking-server-iam.md).

Per ulteriori informazioni sull’utilizzo dell’MLflow SDK, consulta l’argomento relativo all’[API di Python](https://mlflow.org/docs/2.13.2/python_api/index.html) nella documentazione di MLflow.

## Installa MLFlow e AWS Plugin MLFlow
<a name="mlflow-track-experiments-install-plugin"></a>

Nel tuo ambiente di sviluppo, installa sia MLFlow che il plug-in AWS MLFlow.

```
pip install sagemaker-mlflow
```

Per garantire la compatibilità tra il client MLflow e il server di tracciamento, utilizza la versione MLflow corrispondente in base alla versione del server di tracciamento:
+ Per il server di tracciamento 2.13.x, utilizza `mlflow==2.13.2`
+ Per il server di tracciamento 2.16.x, utilizza `mlflow==2.16.2`
+ Per il server di tracciamento 3.0.x, utilizza `mlflow==3.0.0`

Per vedere quali versioni di MLFlow sono disponibili per l'uso con SageMaker AI, consulta. [Versioni del server di tracciamento](mlflow.md#mlflow-create-tracking-server-versions)

## Connessione al server di tracciamento MLflow
<a name="mlflow-track-experiments-tracking-server-connect"></a>

Utilizza `[mlflow.set\_tracking\_uri](https://mlflow.org/docs/2.13.2/python_api/mlflow.html#mlflow.set_tracking_uri)` per connetterti al server di tracciamento dal tuo ambiente di sviluppo utilizzando il relativo ARN:

```
import mlflow

arn = {{"YOUR-TRACKING-SERVER-ARN"}}

mlflow.set_tracking_uri({{arn}})
```