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

Menyebarkan MLflow model dengan ModelBuilder

Anda dapat menerapkan MLflow model 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 deployable. Untuk detail lebih lanjut tentang ModelBuilder kelas, lihat ModelBuilder.

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

Jalur model yang membutuhkan ARN di model_metadata

Jalur model berikut mengharuskan Anda menentukan ARN di model_metadata for deployment:

Jalur model yang tidak memerlukan ARN di model_metadata

Jalur model berikut tidak mengharuskan Anda menentukan ARN di model_metadata for deployment:

Untuk informasi selengkapnya tentang cara kerja penerapan MLflow model dengan Amazon SageMaker AI, lihat Menerapkan MLflow Model ke Amazon SageMaker AI dalam 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 MLflow model Anda menggunakan ModelBuilder dan jalur registri MLflow model. Karena sampel ini menyediakan jalur artefak model dalam bentuk jalur registri MLflow model, panggilan ke juga ModelBuilder harus menentukan ARN server pelacakan melalui model_metadata["MLFLOW_TRACKING_ARN"] atribut.

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" )

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

Untuk informasi dan end-to-end contoh lebih lanjut, lihatMLflow tutorial menggunakan contoh notebook Jupyter.