Compartilhar via


Acessar o servidor de acompanhamento do MLflow fora do Azure Databricks

O ideal é fazer logon no servidor de acompanhamento do MLflow em aplicativos próprios ou na CLI do MLflow.

Este artigo descreve as etapas de configuração necessárias. Comece instalando o MLflow e configurando suas credenciais (Etapa 1). Em seguida, configure um aplicativo (Etapa 2) ou a CLI do MLflow (Etapa 3).

Para obter informações sobre como iniciar e fazer logon em um servidor de acompanhamento de código aberto, confira a documentação de código aberto do MLflow.

Etapa 1: Configurar seu ambiente

Se você não tiver uma conta do Azure Databricks, experimente o Databricks gratuitamente.

Para configurar seu ambiente para acessar o servidor de acompanhamento do MLflow hospedado no Azure Databricks:

  1. Instale o MLflow usando pip install mlflow.
  2. Configure a autenticação. Execute uma de:
    • Gere um token de API REST e crie um arquivo de credenciais usando databricks configure --token.

    • Especifique as credenciais por meio de variáveis de ambiente:

      # Configure MLflow to communicate with a Databricks-hosted tracking server
      export MLFLOW_TRACKING_URI=databricks
      # Specify the workspace hostname and token
      export DATABRICKS_HOST="..."
      export DATABRICKS_TOKEN="..."
      

Etapa 2: Configurar aplicativos do MLflow

Configure aplicativos do MLflow para fazer logon no Azure Databricks definindo o URI de acompanhamento como databricksou databricks://<profileName>, se você especificou um nome de perfil por meio de --profile ao criar o arquivo de credenciais. Por exemplo, você pode fazer isso definindo a variável de ambiente MLFLOW_TRACKING_URI como “databricks”.

Etapa 3: Configurar a CLI do MLflow

Configure a CLI do MLflow para se comunicar com um servidor de acompanhamento do Azure Databricks com a variável de ambiente MLFLOW_TRACKING_URI. Por exemplo, para criar um experimento usando a CLI com o URI de acompanhamento databricks, execute:

# Replace <your-username> with your Databricks username
export MLFLOW_TRACKING_URI=databricks
mlflow experiments create -n /Users/<your-username>/my-experiment