Amazon SageMaker 现提供托管的 MLflow 功能以增强实验跟踪
内容提要
AWS在Amazon SageMaker中推出MLflow功能，用户可以比较模型性能、参数和指标，并自动将最佳模型注册为SageMaker模型并部署到SageMaker端点。MLflow Tracking Server提供计算、后端元数据存储和工件存储，其中计算和后端元数据存储托管在SageMaker服务帐户中，工件存储位于用户的AWS帐户中的Amazon S3存储桶中。使用Amazon SageMaker和MLflow的主要优势包括全面的实验跟踪和完整的MLflow功能。
延伸解读
托管架构与用户责任
MLflow Tracking Server 的计算和后端元数据存储由 SageMaker 服务账户托管，用户无需管理这部分基础设施。但工件存储必须由用户在自有 AWS 账户中创建 Amazon S3 存储桶，并显式授予 MLflow 访问权限。这意味着用户仍需负责 S3 的配置、权限管理和成本，并非完全无服务器化。
成本考量与社区反馈
AWS 团队 Eduardo Robledo 公开指出，该跟踪服务器并非无服务器架构，小型实例每月费用高达 460 美元，认为这一价格偏高。他提到 InfinStor 等公司提供基于 AWS Lambda 的按需 MLflow 跟踪服务器。对于预算敏感的用户，需权衡托管便利性与成本，或考虑替代方案。
与现有实验管理工具的对比
TensorBoard、Weights & Biases 和 Neptune.ai 等工具也提供机器学习实验管理功能。TensorBoard 在 TensorFlow 模型可视化方面较强，而 Weights & Biases 和 Neptune.ai 支持多种框架并具备丰富的跟踪与协作功能。SageMaker 与 MLflow 的集成优势在于托管的安全 AWS 环境、便捷的 SageMaker 端点部署以及强大的模型治理。
Q&A
Amazon SageMaker中的MLflow功能有什么主要优势？
主要优势包括全面的实验跟踪、完整的MLflow功能、统一的模型治理、高效的服务器管理和增强的安全性。
如何在Amazon SageMaker中使用MLflow进行模型注册？
用户可以自动将最佳模型注册为SageMaker模型，并部署到SageMaker端点。
MLflow Tracking Server的主要组件是什么？
MLflow Tracking Server包含计算、后端元数据存储和工件存储三个主要组件。
创建MLflow Tracking Server时，后端存储是如何配置的？
后端存储会自动配置在SageMaker服务帐户中，并由用户完全管理。
Amazon SageMaker与MLflow的集成提供了哪些安全性和治理优势？
集成提供了安全的AWS环境和强大的模型治理，确保模型的有效管理和监控。
AWS首席布道师对MLflow的看法是什么？
Danilo Poccia表示，该产品可以帮助跟踪多个模型训练过程并注册最佳模型。
