翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# Amazon EKS によってオーケストレーションされた SageMaker HyperPod クラスターでのトレーニングジョブのモデルオブザーバビリティ
<a name="sagemaker-hyperpod-eks-cluster-observability-model"></a>

Amazon EKS とオーケストレーションされた SageMaker HyperPod クラスターは、[Amazon SageMaker Studio の MLflow アプリケーション](https://docs.aws.amazon.com/sagemaker/latest/dg/mlflow.html)と統合できます。クラスター管理者が MLflow サーバーを設定し、SageMaker HyperPod クラスターに接続します。データサイエンティストは、モデルに関するインサイトを取得できます

**CLI を使用して MLflow AWS サーバーをセットアップするには**

MLflow トラッキングサーバーは、クラスター管理者が作成する必要があります。

1. 「 CLI を使用して追跡サーバーを作成する」の手順に従って、SageMaker AI MLflow 追跡サーバーを作成します。 [AWS](https://docs.aws.amazon.com/sagemaker/latest/dg/mlflow-create-tracking-server-cli.html#mlflow-create-tracking-server-cli-infra-setup)

1. [https://docs.aws.amazon.com/eks/latest/APIReference/API_auth_AssumeRoleForPodIdentity.html](https://docs.aws.amazon.com/eks/latest/APIReference/API_auth_AssumeRoleForPodIdentity.html) アクセス許可が SageMaker HyperPod の IAM 実行ロールに存在することを確認します。

1. `eks-pod-identity-agent` アドオンが EKS クラスターにまだインストールされていない場合、アドオンを EKS クラスターにインストールします。

   ```
   aws eks create-addon \
       --cluster-name <eks_cluster_name> \
       --addon-name eks-pod-identity-agent \
       --addon-version vx.y.z-eksbuild.1
   ```

1. ポッドが MLflow APIsを呼び出す新しいロールの `trust-relationship.json` ファイルを作成します。

   ```
   cat >trust-relationship.json <<EOF
   {
       "Version": "2012-10-17",		 	 	 
       "Statement": [
           {
               "Sid": "AllowEksAuthToAssumeRoleForPodIdentity",
               "Effect": "Allow",
               "Principal": {
                   "Service": "pods.eks.amazonaws.com"
   
               },
               "Action": [
                   "sts:AssumeRole",
                   "sts:TagSession"
               ]
           }
       ]
   }
   EOF
   ```

   以下のコードを実行し、ロールを作成して信頼関係をアタッチします。

   ```
   aws iam create-role --role-name hyperpod-mlflow-role \
       --assume-role-policy-document file://trust-relationship.json \
       --description "allow pods to emit mlflow metrics and put data in s3"
   ```

1. すべての `sagemaker-mlflow` オペレーションを呼び出し、モデルアーティファクトを S3 に配置するためのアクセスをポッドに付与する次のポリシーを作成します。S3 アクセス許可は追跡サーバー内に既に存在していますが、モデルアーティファクトが大きすぎる場合、s3 への直接呼び出しが MLflow コードから行われ、アーティファクトがアップロードされます。

   ```
   cat >hyperpod-mlflow-policy.json <<EOF
   {
       "Version": "2012-10-17",		 	 	 
       "Statement": [
           {
               "Effect": "Allow",
               "Action": [
                   "sagemaker-mlflow:AccessUI",
                   "sagemaker-mlflow:CreateExperiment",
                   "sagemaker-mlflow:SearchExperiments",
                   "sagemaker-mlflow:GetExperiment",
                   "sagemaker-mlflow:GetExperimentByName",
                   "sagemaker-mlflow:DeleteExperiment",
                   "sagemaker-mlflow:RestoreExperiment",
                   "sagemaker-mlflow:UpdateExperiment",
                   "sagemaker-mlflow:CreateRun",
                   "sagemaker-mlflow:DeleteRun",
                   "sagemaker-mlflow:RestoreRun",
                   "sagemaker-mlflow:GetRun",
                   "sagemaker-mlflow:LogMetric",
                   "sagemaker-mlflow:LogBatch",
                   "sagemaker-mlflow:LogModel",
                   "sagemaker-mlflow:LogInputs",
                   "sagemaker-mlflow:SetExperimentTag",
                   "sagemaker-mlflow:SetTag",
                   "sagemaker-mlflow:DeleteTag",
                   "sagemaker-mlflow:LogParam",
                   "sagemaker-mlflow:GetMetricHistory",
                   "sagemaker-mlflow:SearchRuns",
                   "sagemaker-mlflow:ListArtifacts",
                   "sagemaker-mlflow:UpdateRun",
                   "sagemaker-mlflow:CreateRegisteredModel",
                   "sagemaker-mlflow:GetRegisteredModel",
                   "sagemaker-mlflow:RenameRegisteredModel",
                   "sagemaker-mlflow:UpdateRegisteredModel",
                   "sagemaker-mlflow:DeleteRegisteredModel",
                   "sagemaker-mlflow:GetLatestModelVersions",
                   "sagemaker-mlflow:CreateModelVersion",
                   "sagemaker-mlflow:GetModelVersion",
                   "sagemaker-mlflow:UpdateModelVersion",
                   "sagemaker-mlflow:DeleteModelVersion",
                   "sagemaker-mlflow:SearchModelVersions",
                   "sagemaker-mlflow:GetDownloadURIForModelVersionArtifacts",
                   "sagemaker-mlflow:TransitionModelVersionStage",
                   "sagemaker-mlflow:SearchRegisteredModels",
                   "sagemaker-mlflow:SetRegisteredModelTag",
                   "sagemaker-mlflow:DeleteRegisteredModelTag",
                   "sagemaker-mlflow:DeleteModelVersionTag",
                   "sagemaker-mlflow:DeleteRegisteredModelAlias",
                   "sagemaker-mlflow:SetRegisteredModelAlias",
                   "sagemaker-mlflow:GetModelVersionByAlias"
               ],
               "Resource": "arn:aws:sagemaker:us-west-2:111122223333:mlflow-tracking-server/<ml tracking server name>"
           },
           {
               "Effect": "Allow",
               "Action": [
                   "s3:PutObject"
               ],
               "Resource": "arn:aws:s3:::<mlflow-s3-bucket_name>"
           }
       ]
   }
   EOF
   ```
**注記**  
ARN は MLflow サーバーからのものであり、S3 バケットは「[MLflow インフラストラクチャを設定する](https://docs.aws.amazon.com/sagemaker/latest/dg/mlflow-create-tracking-server-cli.html#mlflow-create-tracking-server-cli-infra-setup)」の手順に従ってサーバーを作成する際に MLflow サーバーを使用して設定します。

1. 前のステップで保存したポリシードキュメントを使用して、`hyperpod-mlflow-role` に `mlflow-metrics-emit-policy` ポリシーをアタッチします。

   ```
   aws iam put-role-policy \
     --role-name hyperpod-mlflow-role \
     --policy-name mlflow-metrics-emit-policy \
     --policy-document file://hyperpod-mlflow-policy.json
   ```

1. ポッドが MLflow サーバーにアクセスするための Kubernetes サービスアカウントを作成します。

   ```
   cat >mlflow-service-account.yaml <<EOF
   apiVersion: v1
   kind: ServiceAccount
   metadata:
     name: mlflow-service-account
     namespace: kubeflow
   EOF
   ```

   次のコマンドを実行して、EKS クラスターに適用します。

   ```
   kubectl apply -f mlflow-service-account.yaml
   ```

1. Pod Identity の関連付けを作成します。

   ```
   aws eks create-pod-identity-association \
       --cluster-name EKS_CLUSTER_NAME \
       --role-arn arn:aws:iam::111122223333:role/hyperpod-mlflow-role \
       --namespace kubeflow \
       --service-account mlflow-service-account
   ```

**トレーニングジョブから MLflow サーバーにメトリクスを収集するには**

データサイエンティストは、MLflow サーバーにメトリクスを出力するために、トレーニングスクリプトと Docker イメージを設定する必要があります。

1. トレーニングスクリプトの先頭に次の行を追加します。

   ```
   import mlflow
   
   # Set the Tracking Server URI using the ARN of the Tracking Server you created
   mlflow.set_tracking_uri(os.environ['MLFLOW_TRACKING_ARN'])
   # Enable autologging in MLflow
   mlflow.autolog()
   ```

1. トレーニングスクリプトを使用して Docker イメージを構築し、Amazon ECR にプッシュします。ECR コンテナの ARN を取得します。Docker イメージの構築とプッシュの詳細については、「*ECR ユーザーガイド*」の「[Docker イメージをプッシュする](https://docs.aws.amazon.com/AmazonECR/latest/userguide/docker-push-ecr-image.html)」を参照してください。
**ヒント**  
必ず、Docker ファイルに mlflow パッケージと sagemaker-mlflow パッケージのインストールを追加してください。パッケージのインストール、要件、パッケージの互換性のあるバージョンの詳細については、「[MLflow と SageMaker AI MLflow プラグインをインストールする](https://docs.aws.amazon.com/sagemaker/latest/dg/mlflow-track-experiments.html#mlflow-track-experiments-install-plugin)」を参照してください。

1. トレーニングジョブポッドにサービスアカウントを追加して、`hyperpod-mlflow-role` へのアクセスを許可します。これにより、ポッドは MLflow API を呼び出すことができます。次の SageMaker HyperPod CLI ジョブ送信テンプレートを実行します。ファイル名 `mlflow-test.yaml` を使用してこれを作成します。

   ```
   defaults:
    - override hydra/job_logging: stdout
   
   hydra:
    run:
     dir: .
    output_subdir: null
   
   training_cfg:
    entry_script: ./train.py
    script_args: []
    run:
     name: test-job-with-mlflow # Current run name
     nodes: 2 # Number of nodes to use for current training
     # ntasks_per_node: 1 # Number of devices to use per node
   cluster:
    cluster_type: k8s # currently k8s only
    instance_type: ml.c5.2xlarge
    cluster_config:
     # name of service account associated with the namespace
     service_account_name: mlflow-service-account
     # persistent volume, usually used to mount FSx
     persistent_volume_claims: null
     namespace: kubeflow
     # required node affinity to select nodes with SageMaker HyperPod
     # labels and passed health check if burn-in enabled
     label_selector:
         required:
             sagemaker.amazonaws.com/node-health-status:
                 - Schedulable
         preferred:
             sagemaker.amazonaws.com/deep-health-check-status:
                 - Passed
         weights:
             - 100
     pullPolicy: IfNotPresent # policy to pull container, can be Always, IfNotPresent and Never
     restartPolicy: OnFailure # restart policy
   
   base_results_dir: ./result # Location to store the results, checkpoints and logs.
   container: 111122223333.dkr.ecr.us-west-2.amazonaws.com/tag # container to use
   
   env_vars:
    NCCL_DEBUG: INFO # Logging level for NCCL. Set to "INFO" for debug information
    MLFLOW_TRACKING_ARN: arn:aws:sagemaker:us-west-2:11112223333:mlflow-tracking-server/tracking-server-name
   ```

1. 次のように YAML ファイルを使用してジョブを開始します。

   ```
   hyperpod start-job --config-file /path/to/mlflow-test.yaml
   ```

1. MLflow 追跡サーバーの署名付き URL を生成します。ブラウザでリンクを開き、トレーニングジョブの追跡を開始できます。

   ```
   aws sagemaker create-presigned-mlflow-tracking-server-url \                          
       --tracking-server-name "tracking-server-name" \
       --session-expiration-duration-in-seconds 1800 \
       --expires-in-seconds 300 \
       --region region
   ```