Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Terapkan model MLFlow dengan ModelBuilder

Anda dapat menerapkan model MLFlow ke titik akhir SageMaker AI menggunakan Amazon SageMaker AI Model Builder. Untuk informasi selengkapnya tentang Amazon SageMaker AI Model Builder, lihat Membuat model di Amazon SageMaker AI dengan ModelBuilder.

ModelBuilderadalah kelas Python yang mengambil model kerangka kerja atau spesifikasi inferensi yang ditentukan pengguna dan mengubahnya menjadi model yang dapat diterapkan. Untuk detail lebih lanjut tentang ModelBuilder kelas, lihat ModelBuilder.

Untuk menerapkan model MLFlow Anda menggunakanModelBuilder, berikan jalur ke artefak MLFlow Anda di model_metadata["MLFLOW_MODEL_PATH"] atribut. Baca terus untuk informasi lebih lanjut tentang format input jalur model yang valid:

Jalur model yang memerlukan ARN di model_metadata

Jalur model berikut memang mengharuskan Anda menentukan ARN di model_metadata untuk penerapan:

Jalur model yang tidak memerlukan ARN di model_metadata

Jalur model berikut tidak mengharuskan Anda menentukan ARN di model_metadata untuk penerapan:

Untuk informasi selengkapnya tentang cara penerapan model MLFlow bekerja dengan Amazon SageMaker AI, lihat Menye barkan Model MLFlow ke Amazon SageMaker AI di dokumentasi MLFlow.

Jika menggunakan jalur Amazon S3, Anda dapat menemukan jalur model terdaftar Anda dengan perintah berikut:

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

Contoh berikut adalah ikhtisar tentang cara menerapkan model MLFlow Anda menggunakan ModelBuilder dan jalur registri model MLFlow. Karena sampel ini menyediakan jalur artefak model dalam bentuk jalur registri model MLFlow, panggilan ke juga ModelBuilder harus menentukan server pelacakan ARN melalui atribut. model_metadata["MLFLOW_TRACKING_ARN"]

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()
endpoint = model_builder.deploy(endpoint_name="my-endpoint", instance_type="ml.c6i.xlarge")

Untuk mempertahankan pelacakan garis keturunan untuk model MLFlow yang digunakanModelBuilder, Anda harus memiliki izin IAM berikut:

Untuk informasi selengkapnya dan contoh ujung ke ujung, lihatTutorial MLFlow menggunakan contoh notebook Jupyter.