Secara otomatis mendaftarkan model SageMaker AI dengan SageMaker Model Registry

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

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

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.

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.

Lihat model terdaftar di Studio

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.