Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris. # Buat server pelacak menggunakan AWS CLI Anda dapat membuat server pelacak menggunakan AWS CLI kustomisasi keamanan yang lebih terperinci. ## Prasyarat Untuk membuat server pelacak menggunakan AWS CLI, Anda harus memiliki yang berikut: + **Akses ke terminal.**Ini dapat mencakup IDE lokal, instans Amazon EC2, atau. AWS CloudShell + **Akses ke lingkungan pengembangan.** Ini dapat mencakup lingkungan notebook lokal IDEs atau Jupyter dalam Studio atau Studio Classic. + ** AWS CLI Instalasi yang dikonfigurasi**. Untuk informasi selengkapnya, lihat [Mengkonfigurasi AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-configure.html). + **Peran IAM dengan izin yang sesuai**. Langkah-langkah berikut mengharuskan lingkungan Anda untuk memiliki`iam:CreateRole`,`iam:CreatePolicy`,`iam:AttachRolePolicy`, dan `iam:ListPolicies` izin. Izin ini diperlukan pada peran yang digunakan untuk menjalankan langkah-langkah dalam panduan pengguna ini. Petunjuk dalam panduan ini membuat peran IAM yang digunakan sebagai peran eksekusi Server MLflow Pelacakan sehingga dapat mengakses data di bucket Amazon S3 Anda. Selain itu, kebijakan dibuat untuk memberikan peran IAM pengguna yang berinteraksi dengan Server Pelacakan melalui izin MLflow SDK untuk menelepon. MLflow APIs Untuk informasi selengkapnya, lihat [Memodifikasi kebijakan izin peran (konsol)](https://docs.aws.amazon.com/IAM/latest/UserGuide/roles-managingrole-editing-console.html#roles-modify_permissions-policy). Jika menggunakan Buku Catatan SageMaker Studio, perbarui peran layanan untuk profil pengguna Studio Anda dengan izin IAM ini. Untuk memperbarui peran layanan, navigasikan ke konsol SageMaker AI dan pilih domain yang Anda gunakan. Kemudian, di bawah domain, pilih profil pengguna yang Anda gunakan. Anda akan melihat peran layanan yang tercantum di sana. Arahkan ke konsol IAM, cari peran layanan di bawah **Peran**, dan perbarui peran Anda dengan kebijakan yang memungkinkan`iam:CreateRole`,, `iam:CreatePolicy``iam:AttachRolePolicy`, dan `iam:ListPolicies` tindakan. ## Mengatur AWS CLI model Ikuti langkah-langkah baris perintah ini di dalam terminal AWS CLI untuk menyiapkan Amazon SageMaker AI dengan MLflow. 1. Instal versi terbaru dari file AWS CLI. Untuk informasi selengkapnya, lihat [Menginstal atau memperbarui ke versi terbaru](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html) dari *Panduan AWS CLI Pengguna*. AWS CLI 1. Verifikasi AWS CLI bahwa diinstal menggunakan perintah berikut: ``` aws sagemaker help ``` Tekan `q` untuk keluar dari prompt. Untuk bantuan penyelesaian masalah, lihat [Memecahkan masalah pengaturan umum](mlflow-troubleshooting.md). ## Menyiapkan MLflow infrastruktur Bagian berikut menunjukkan cara menyiapkan Server MLflow Pelacakan bersama dengan bucket Amazon S3 dan peran IAM yang diperlukan untuk server pelacakan. ### Buat Bucket S3 Di dalam terminal Anda, gunakan perintah berikut untuk membuat bucket Amazon S3 tujuan umum: **penting** Saat Anda menyediakan URI Amazon S3 untuk toko artefak Anda, pastikan bucket Amazon S3 sama Wilayah AWS dengan server pelacak Anda. **Penyimpanan artefak lintas wilayah tidak didukung**. ``` bucket_name=bucket-name region=valid-region aws s3api create-bucket \ --bucket $bucket_name \ --region $region \ --create-bucket-configuration LocationConstraint=$region ``` Outputnya akan serupa dengan yang berikut ini: ``` { "Location": "/bucket-name" } ``` ### Menyiapkan kebijakan kepercayaan IAM Gunakan langkah-langkah berikut untuk membuat kebijakan kepercayaan IAM. Untuk informasi selengkapnya tentang peran dan kebijakan kepercayaan, lihat [Istilah dan konsep peran](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_terms-and-concepts.html) di *Panduan AWS Identity and Access Management Pengguna*. 1. Di dalam terminal Anda, gunakan perintah berikut untuk membuat file bernama`mlflow-trust-policy.json`. ``` cat < /tmp/mlflow-trust-policy.json { "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Principal": { "Service": [ "sagemaker.amazonaws.com" ] }, "Action": "sts:AssumeRole" } ] } EOF ``` 1. Di dalam terminal Anda, gunakan perintah berikut untuk membuat file bernama`custom-policy.json`. ``` cat < /tmp/custom-policy.json { "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "s3:Get*", "s3:Put*", "sagemaker:AddTags", "sagemaker:CreateModelPackageGroup", "sagemaker:CreateModelPackage", "sagemaker:DescribeModelPackageGroup", "sagemaker:UpdateModelPackage", "s3:List*" ], "Resource": "*" } ] } EOF ``` 1. Gunakan file kebijakan kepercayaan untuk membuat peran. Kemudian, lampirkan kebijakan peran IAM yang memungkinkan MLflow untuk mengakses Amazon S3 SageMaker dan Registry Model dalam akun Anda. MLflow harus memiliki akses ke Amazon S3 untuk toko artefak server pelacak Anda dan Registri SageMaker Model untuk pendaftaran model otomatis. **catatan** Jika Anda memperbarui peran yang ada, gunakan perintah berikut sebagai gantinya:`aws iam update-assume-role-policy --role-name $role_name --policy-document file:///tmp/mlflow-trust-policy.json`. ``` role_name=role-name aws iam create-role \ --role-name $role_name \ --assume-role-policy-document file:///tmp/mlflow-trust-policy.json aws iam put-role-policy \ --role-name $role_name \ --policy-name custom-policy \ --policy-document file:///tmp/custom-policy.json role_arn=$(aws iam get-role --role-name $role_name --query 'Role.Arn' --output text) ``` ## Buat server MLflow pelacakan Di dalam terminal Anda, gunakan `create-mlflow-tracking-server` API untuk membuat server pelacak sesuai pilihan Anda. Wilayah AWS Langkah ini bisa memakan waktu hingga 25 menit. Anda dapat secara opsional menentukan ukuran server pelacak Anda dengan parameter`--tracking-server-config`. Pilih antara`"Small"`,`"Medium"`, dan`"Large"`. Ukuran konfigurasi Server MLflow Pelacakan default adalah`"Small"`. Anda dapat memilih ukuran tergantung pada proyeksi penggunaan server pelacak seperti volume data yang dicatat, jumlah pengguna, dan frekuensi penggunaan. Untuk informasi selengkapnya, lihat [MLflow Melacak ukuran Server](mlflow.md#mlflow-create-tracking-server-sizes). Perintah berikut membuat server pelacakan baru dengan pendaftaran model otomatis diaktifkan. Untuk menonaktifkan pendaftaran model otomatis, tentukan`--no-automatic-model-registration`. Setelah membuat server pelacak, Anda dapat meluncurkan MLflow UI. Untuk informasi selengkapnya, lihat [Luncurkan MLflow UI menggunakan URL yang telah ditetapkan sebelumnya](mlflow-launch-ui.md). **catatan** Diperlukan waktu hingga 25 menit untuk menyelesaikan pembuatan server pelacakan. Jika server pelacak membutuhkan waktu lebih dari 25 menit untuk membuat, periksa apakah Anda memiliki izin IAM yang diperlukan. Untuk informasi selengkapnya tentang izin IAM, lihat. [Menyiapkan izin IAM untuk MLflow](mlflow-create-tracking-server-iam.md) Ketika Anda berhasil membuat server pelacak, server akan dimulai secara otomatis. Saat Anda membuat server pelacak, sebaiknya tentukan versi terbaru. Untuk informasi tentang versi yang tersedia, lihat[Melacak versi server](mlflow.md#mlflow-create-tracking-server-versions). Secara default, server pelacak yang dibuat adalah versi terbaru. Namun, kami sarankan untuk selalu menentukan versi terbaru secara eksplisit karena yang mendasarinya MLflow APIs dapat berubah. ``` ts_name=tracking-server-name region=valid-region version=valid-version aws sagemaker create-mlflow-tracking-server \ --tracking-server-name $ts_name \ --artifact-store-uri s3://$bucket_name \ --role-arn $role_arn \ --automatic-model-registration \ --region $region \ --mlflow-version $version ``` Output harus serupa dengan yang berikut ini: ``` { "TrackingServerArn": "arn:aws:sagemaker:region:123456789012:mlflow-tracking-server/tracking-server-name" } ``` **penting** **Catat ARN server pelacak untuk digunakan nanti.** Anda juga akan membutuhkan langkah-langkah `$bucket_name` untuk membersihkan.