Monitore experimentos com o MLflow

A Amazon SageMaker 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 obter mais informações sobre plug-ins, consulte Plugins do MLflow na documentação do MLflow.

Comece com o MLflow SDK e o plug-in AWS MLflow em seu ambiente de desenvolvimento. Isso pode incluir IDEs locais ou um ambiente Jupyter Notebook no Studio ou no Studio Classic.

Importante

Suas permissões de IAM de usuário em seu ambiente de desenvolvimento devem ter acesso a todas as ações relevantes da API MLflow para executar com sucesso os exemplos fornecidos. Para ter mais informações, consulte Configurar permissões do IAM para MLflow.

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

Instale o MLflow e o plug-in AWS MLflow

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

nota

Para ver quais versões do MLflow estão disponíveis para uso SageMaker, consulteRastreando versões do servidor.

pip install mlflow==2.13.2 sagemaker-mlflow==0.1.0 

Conecte-se ao seu servidor de rastreamento MLflow

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

import mlflow

arn = "YOUR-TRACKING-SERVER-ARN"

mlflow.set_tracking_uri(arn)