Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Implemente MLflow modelos con ModelBuilder

Puede implementar MLflow modelos en un SageMaker punto final mediante Amazon SageMaker Model Builder. Para obtener más información sobre Amazon SageMaker Model Builder, consulte Crear un modelo en Amazon SageMaker con ModelBuilder.

ModelBuilderes una clase de Python que toma un modelo de marco o una especificación de inferencia especificada por el usuario y lo convierte en un modelo desplegable. Para obtener más información sobre la ModelBuilder clase, consulte. ModelBuilder

Para implementar su MLflow modelo medianteModelBuilder, proporcione una ruta a sus MLflow artefactos en el model_metadata["MLFLOW_MODEL_PATH"] atributo. Siga leyendo para obtener más información sobre los formatos de entrada de la ruta del modelo válidos:

Modele las rutas que requieran ARN una model_metadata

Las siguientes rutas de modelo requieren que especifique una ARN en el model_metadata para su despliegue:

Modele las rutas que no requieren una ARN en el model_metadata

Las siguientes rutas de modelo no requieren que especifique una ARN en el model_metadata para su despliegue:

Para obtener más información sobre cómo funciona la implementación de MLflow modelos con Amazon SageMaker, consulte Implementar un MLflow modelo SageMaker en Amazon en la MLflow documentación.

Si utiliza una ruta de Amazon S3, puede encontrar la ruta de su modelo registrado con los siguientes comandos:

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

El siguiente ejemplo es una descripción general de cómo implementar el MLflow modelo mediante ModelBuilder una ruta de registro del MLflow modelo. Como en este ejemplo se proporciona la ruta del artefacto del modelo en forma de ruta de registro del MLflow modelo, la llamada a también ModelBuilder debe especificar un servidor de seguimiento ARN mediante el model_metadata["MLFLOW_TRACKING_ARN"] atributo.

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 mantener el seguimiento del linaje de MLflow los modelos implementadosModelBuilder, debe tener los siguientes IAM permisos:

Para obtener más información y end-to-end ejemplos, consulteMLflowtutoriales con ejemplos de cuadernos Jupyter.