Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Déployez MLflow des modèles avec ModelBuilder

Vous pouvez déployer des MLflow modèles sur un SageMaker terminal à l'aide d'Amazon SageMaker Model Builder. Pour plus d'informations sur Amazon SageMaker Model Builder, consultez Créer un modèle dans Amazon SageMaker avec ModelBuilder.

ModelBuilderest une classe Python qui prend un modèle de framework ou une spécification d'inférence spécifiée par l'utilisateur et le convertit en un modèle déployable. Pour plus de détails sur le ModelBuilder cours, voir ModelBuilder.

Pour déployer votre MLflow modèle à l'aide deModelBuilder, indiquez un chemin d'accès à vos MLflow artefacts dans l'model_metadata["MLFLOW_MODEL_PATH"]attribut. Lisez la suite pour plus d'informations sur les formats d'entrée de chemin de modèle valides :

Tracés de modèles qui nécessitent un ARN dans le model_metadata

Les chemins de modèles suivants nécessitent que vous spécifiiez un ARN dans le model_metadata pour le déploiement :

Tracés de modèles qui ne nécessitent pas ARN de model_metadata

Les chemins de modèles suivants ne nécessitent pas que vous spécifiiez un ARN dans le model_metadata pour le déploiement :

Pour plus d'informations sur le fonctionnement MLflow du déploiement de modèles avec Amazon SageMaker, consultez la section Deploy MLflow Model to Amazon SageMaker dans la MLflow documentation.

Si vous utilisez un chemin Amazon S3, vous pouvez trouver le chemin de votre modèle enregistré à l'aide des commandes suivantes :

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

L'exemple suivant explique comment déployer votre MLflow modèle à l'aide d'un chemin ModelBuilder de registre de MLflow modèles. Étant donné que cet exemple fournit le chemin de l'artefact du modèle sous la forme d'un chemin de registre MLflow modèle, l'appel à ModelBuilder doit également spécifier un serveur de suivi ARN via l'model_metadata["MLFLOW_TRACKING_ARN"]attribut.

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" )

Pour gérer le suivi du lignage des MLflow modèles déployés à l'aide deModelBuilder, vous devez disposer des IAM autorisations suivantes :

Pour plus d'informations et end-to-end des exemples, consultezMLflowtutoriels utilisant des exemples de blocs-notes Jupyter.