As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Implemente MLflow modelos com `ModelBuilder`
<a name="mlflow-track-experiments-model-deployment"></a>

Você pode implantar MLflow modelos em um endpoint de SageMaker IA usando o Amazon SageMaker AI Model Builder. Para obter mais informações sobre o Amazon SageMaker AI Model Builder, consulte [Criar um modelo no Amazon SageMaker AI com ModelBuilder](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-modelbuilder-creation.html).

`ModelBuilder` é uma função do Python que pega um modelo de estrutura ou uma especificação de inferência definida pelo usuário e o converte em um modelo implantável. Para obter mais detalhes sobre a `ModelBuilder` aula, consulte [ModelBuilder](https://sagemaker.readthedocs.io/en/stable/api/inference/model_builder.html#sagemaker.serve.builder.model_builder.ModelBuilder).

Para implantar seu MLflow modelo usando`ModelBuilder`, forneça um caminho para seus MLflow artefatos no `model_metadata["MLFLOW_MODEL_PATH"]` atributo. Continue a leitura para obter mais informações sobre formatos válidos de entrada para caminho de modelo:

**nota**  
Se você fornecer o caminho do artefato do modelo na forma de ID de MLflow execução ou caminho de registro do MLflow modelo, também deverá especificar o ARN do servidor de rastreamento por meio `model_metadata["MLFLOW_TRACKING_ARN"]` do atributo.
+ [Caminhos de modelo que exigem um ARN no `model_metadata`](#mlflow-track-experiments-model-deployment-with-arn)
+ [Caminhos de modelo que não exigem um ARN no `model_metadata`](#mlflow-track-experiments-model-deployment-without-arn)

## Caminhos de modelo que exigem um ARN no `model_metadata`
<a name="mlflow-track-experiments-model-deployment-with-arn"></a>

Os seguintes caminhos de modelo exigem que você especifique um ARN no `model_metadata` para implantação:
+ MLflow [ID de execução](https://mlflow.org/docs/latest/python_api/mlflow.entities.html?highlight=mlflow%20info#mlflow.entities.RunInfo.run_id): `runs:/aloy-run-id/run-relative/path/to/model`
+ MLflow [caminho do registro do modelo](https://mlflow.org/docs/latest/model-registry.html#find-registered-models): `models:/model-name/model-version`

## Caminhos de modelo que não exigem um ARN no `model_metadata`
<a name="mlflow-track-experiments-model-deployment-without-arn"></a>

Os seguintes caminhos de modelo não exigem que você especifique um ARN no `model_metadata` para implantação:
+ Caminho do modelo local: `/Users/me/path/to/local/model`
+ Caminho do modelo Amazon S3: `s3://amzn-s3-demo-bucket/path/to/model`
+ ARN do pacote do modelo: `arn:aws:sagemaker:region:account-id:mlflow-tracking-server/tracking-server-name`

Para obter mais informações sobre como a implantação do MLflow modelo funciona com a Amazon SageMaker AI, consulte [Implantar MLflow modelo na Amazon SageMaker AI](https://mlflow.org/docs/latest/deployment/deploy-model-to-sagemaker.html) na MLflow documentação.

Se estiver usando um caminho do Amazon S3, você pode encontrar o caminho do seu modelo registrado com os seguintes comandos:

```
registered_model = client.get_registered_model(name='AutoRegisteredModel')
source_path = registered_model.latest_versions[0].source
```

O exemplo a seguir é uma visão geral de como implantar seu MLflow modelo usando `ModelBuilder` um caminho de registro de MLflow modelo. Como esse exemplo fornece o caminho do artefato do modelo na forma de um caminho de registro do MLflow modelo, a chamada para também `ModelBuilder` deve especificar um ARN do servidor de rastreamento por meio `model_metadata["MLFLOW_TRACKING_ARN"]` do atributo.

**Importante**  
Você deve usar a versão [2.224.0](https://pypi.org/project/sagemaker/2.224.0/) ou posterior do SDK do SageMaker Python para usar. `ModelBuilder`

**nota**  
Use o exemplo de código a seguir como referência. Para obter end-to-end exemplos que mostram como implantar MLflow modelos registrados, consulte[Tutoriais do MLflow usando os cadernos Jupyter de exemplo](mlflow-tutorials.md).

```
from sagemaker.serve import ModelBuilder
from sagemaker.serve.mode.function_pointers import Mode
from sagemaker.serve import SchemaBuilder

my_schema = SchemaBuilder(
    sample_input=sample_input, 
    sample_output=sample_output
)

model_builder = ModelBuilder(
    mode=Mode.SAGEMAKER_ENDPOINT,
    schema_builder=my_schema,
    role_arn="Your-service-role-ARN",
    model_metadata={
        # both model path and tracking server ARN are required if you use an mlflow run ID or mlflow model registry path as input
        "MLFLOW_MODEL_PATH": "models:/sklearn-model/1"
        "MLFLOW_TRACKING_ARN": "arn:aws:sagemaker:region:account-id:mlflow-tracking-server/tracking-server-name"
    }
)
model = model_builder.build()
predictor = model.deploy( initial_instance_count=1, instance_type="ml.c6i.xlarge" )
```

Para manter o [rastreamento de linhagem](https://docs.aws.amazon.com/sagemaker/latest/dg/lineage-tracking.html) para MLflow modelos implantados usando`ModelBuilder`, você deve ter as seguintes permissões do IAM:
+ `sagemaker:CreateArtifact`
+ `sagemaker:ListArtifacts`
+ `sagemaker:AddAssociation`
+ `sagemaker:DescribeMLflowTrackingServer`

**Importante**  
O rastreamento de linhagem é opcional. A implantação é concluída corretamente sem as permissões relacionadas ao rastreamento de linhagem. Se você não tiver as permissões configuradas, verá um erro de permissões de rastreamento de linhagem ao chamar `model.deploy()`. No entanto, a implantação do endpoint ainda será concluída corretamente e você pode interagir diretamente com o endpoint do modelo. Se as permissões acima estiverem configuradas, as informações de rastreamento de linhagem serão criadas e armazenadas automaticamente.

Para obter mais informações e end-to-end exemplos, consulte[Tutoriais do MLflow usando os cadernos Jupyter de exemplo](mlflow-tutorials.md).