As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Implante MLflow modelos com ModelBuilder

Você pode implantar MLflow modelos em um SageMaker endpoint usando o Amazon SageMaker Model Builder. Para obter mais informações sobre o Amazon SageMaker Model Builder, consulte Criar um modelo na Amazon SageMaker com ModelBuilder.

ModelBuilderé uma classe Python que pega um modelo de estrutura ou uma especificação de inferência especificada pelo usuário e o converte em um modelo implantável. Para obter mais detalhes sobre a ModelBuilder aula, consulte ModelBuilder.

Para implantar seu MLflow modelo usandoModelBuilder, forneça um caminho para seus MLflow artefatos no model_metadata["MLFLOW_MODEL_PATH"] atributo. Continue lendo para obter mais informações sobre formatos de entrada de caminho de modelo válidos:

Caminhos de modelo que exigem um ARN no model_metadata

Os seguintes caminhos de modelo exigem que você especifique um ARN no model_metadata para implantação:

Modele caminhos que não exigem um ARN no model_metadata

Os seguintes caminhos de modelo não exigem que você especifique um ARN no model_metadata para implantação:

Para obter mais informações sobre como a implantação de MLflow modelos funciona com a Amazon SageMaker, consulte Implantar MLflow modelo SageMaker na Amazon na MLflow documentação.

Se estiver usando um caminho do Amazon S3, você pode encontrar o caminho do seu modelo registrado com os seguintes comandos:

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

O exemplo a seguir é uma visão geral de como implantar seu MLflow modelo usando ModelBuilder um caminho de registro de MLflow modelo. Como esse exemplo fornece o caminho do artefato do modelo na forma de um caminho de registro do MLflow modelo, a chamada para também ModelBuilder deve especificar um servidor de rastreamento ARN por meio do 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 manter o rastreamento de linhagem para MLflow modelos implantados usandoModelBuilder, você deve ter as seguintes permissões: IAM

Para obter mais informações e end-to-end exemplos, consulteMLflowtutoriais usando exemplos de cadernos Jupyter.