概览定价常见问题客户

使用 Amazon SageMaker 和 MLflow 开展机器学习实验

使用 MLflow 大规模、高效地管理机器学习模型和生成式人工智能应用实验

为什么要使用 Amazon SageMaker 和 MLflow？

Amazon SageMaker 提供托管式 MLflow 功能，用于机器学习（ML）和生成式人工智能实验。借助此功能，数据科学家可以轻松地在 SageMaker 上使用 MLflow 进行模型训练、注册和部署。管理员可以在 AWS 上快速设置安全且可扩展的 MLflow 环境。数据科学家和 ML 开发人员可以高效地追踪 ML 实验，为业务问题找到适配的模型。

Amazon SageMaker 和 MLflow 的优势

使用基础模型（FM）高效开展实验

数据科学家可以使用 MLflow 跟踪基础模型微调期间生成的所有指标，评估模型，使用样本数据测试模型，在 MLflow UI 上并排比较每个模型的输出，并为其用例注册正确的模型。注册模型后，ML 工程师可以将模型部署到 SageMaker 推理中。

零基础设施维护

您无需管理托管 MLflow 所需的任何基础架构。数据科学家可以使用所有 MLflow 开源功能，管理员无需担心基础设施开销。这便能节省设置数据科学环境的时间和成本。MLflow 与 Amazon Identity and Access Management（IAM）集成，因此您能为 MLflow 跟踪服务器设置基于角色的访问控制（RBAC）。

从模型实验无缝过渡到生产

在 MLflow 中注册的模型将使用相关的 Amazon SageMaker 模型卡自动注册到 Amazon SageMaker 模型注册表。如此一来，数据科学家无需切换环境即可将其模型移交给 ML 工程师进行生产部署。ML 工程师可以将模型从 MLflow 部署到 SageMaker 端点，而无需构建自定义容器或重新打包 MLflow 模型构件。

与开源社区一起创新

随着 MLflow 项目的发展，SageMaker 的客户将受益于 MLflow 社区的开源创新，同时享受 AWS 提供的基础设施管理服务。

随时随地追踪实验

ML 实验在不同的环境中进行，包括本地笔记本电脑、IDE、基于云的训练代码或 Amazon SageMaker Studio 中的托管 IDE。使用 SageMaker 和 MLflow，您可以使用自己的首选环境来训练模型，在 MLflow 中追踪实验，以及直接启动或通过 SageMaker Studio 启动 MLflow UI 进行分析。

合作进行模型实验

有效的团队协作对于成功的数据科学项目至关重要。 SageMaker Studio 允许您管理和访问 MLflow 追踪服务器和实验，使团队成员能够共享信息并确保实验结果的一致性，从而简化协作。

评估实验

需要分析和比较模型性能，才能从多次迭代中确定最佳模型。MLflow 提供散点图、条形图和直方图等可视化内容来比较训练迭代。此外，MLflow 允许评估模型，以确定偏差和公平性。

集中管理 MLflow 模型

多个团队经常使用 MLflow 来管理他们的实验，而只有部分模型会成为生产候选模型。组织需要一种简单的方法来追踪所有候选模型，从而作出关于哪些模型要继续前往生产流程的明智决策。MLflow 能与 SageMaker 模型注册表无缝集成，如此一来，组织便能看到他们在 MLflow 上注册的模型自动出现在 SageMaker 模型注册表中，并附有用于治理的 SageMaker 模型卡。这种集成能让数据科学家和 ML 工程师使用不同的工具来完成各自的任务：可将 MLflow 用于实验，将 SageMaker 模型注册表用于通过全面的模型沿袭来管理生产生命周期。