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.

Integre o MLflow ao seu ambiente

A página a seguir descreve como começar a usar o MLflow SDK e o plug-in AWS MLflow em seu ambiente de desenvolvimento. Isso pode incluir IDEs locais ou um ambiente de caderno Jupyter no Studio ou no Studio Classic.

A Amazon SageMaker AI usa um plug-in MLflow para personalizar o comportamento do cliente MLflow Python e integrar ferramentas. AWS O plug-in AWS MLflow autentica as chamadas de API feitas com o MLflow usando o AWS Signature Version 4. O plug-in AWS MLflow permite que você se conecte ao seu servidor de rastreamento MLflow usando o ARN do servidor de rastreamento. Para ter mais informações sobre plug-ins, consulte AWS Plugin for MLflow e MLflow Plugins.

Para obter mais informações sobre como usar o MLflow SDK, consulte API do Python, na documentação do MLflow.

Instale o MLflow e o AWS Plug-in MLflow

Em seu ambiente de desenvolvimento, instale o MLflow e o plug-in AWS MLflow.

pip install sagemaker-mlflow

Para garantir a compatibilidade entre o cliente MLflow e o servidor de rastreamento, use a versão correspondente do MLflow com base na versão do seu servidor de rastreamento:

Para ver quais versões do MLflow estão disponíveis para uso com SageMaker IA, consulteMonitoramento de versões do servidor.

Conectar-se ao servidor de rastreamento do MLflow

Use mlflow.set_tracking_uri para conectar-se a um servidor de rastreamento a partir do seu ambiente de desenvolvimento usando o ARN:

import mlflow

arn = "YOUR-TRACKING-SERVER-ARN"

mlflow.set_tracking_uri(arn)