AWS представила расширенную синхронизацию между управляемым MLflow и SageMaker ИИ Model Registry. Теперь при регистрации модели в MLflow в реестр автоматически передаются не только артефакты модели, но и метрики обучения, результаты оценки, спецификация для инференса и данные о происхождении (lineage). Это закрывает разрыв между экспериментальной фазой, где data scientists работают в MLflow, и производственной фазой, где governance officers должны контролировать, какие модели попадают в продакшн.
Раньше модель синхронизировалась в реестр без сопутствующего контекста. Чтобы проверить метрики или lineage, специалисту по управлению моделями приходилось вручную переключаться между системами или собирать информацию по крупицам. Кроме того, не поддерживалось продвижение по жизненному циклу из MLflow: data scientists не могли перевести модель из staging в production, не покидая свой рабочий процесс. Это создавало проблемы с поддержанием единого авторитетного источника данных о кандидатах в продакшн.
| Категория метаданных | Что включает |
|---|---|
| Метаданные запуска | Параметры модели, метрики обучения |
| Метрики оценки | Результаты оценки на валидационных данных |
| Спецификация инференса | Данные для развертывания модели |
| Lineage | Информация о происхождении данных и процессе обучения |
Новая функция решает эти проблемы. Когда синхронизация активирована, каждая модель, зарегистрированная в MLflow, автоматически создает Model Package Group и версию в SageMaker ИИ Model Registry. Синхронизация включает четыре категории метаданных: метаданные запуска (параметры модели, метрики обучения), метрики оценки, спецификацию инференса и lineage. Это позволяет data scientists сосредоточиться на обучении и экспериментах, не ведя lineage вручную, а governance officers получают полную информацию для одобрения, аудита и контроля моделей.
Data scientists могут регистрировать модели в MLflow, не покидая экспериментальный процесс.
Для активации синхронизации необходимо установить режим регистрации моделей в AutoModelRegistrationEnabled при создании или обновлении MLflow app. По умолчанию эта функция отключена. Также требуется настроить IAM-роль для MLflow app с правами на создание Model Package Groups и версий, добавление тегов и запись lineage.
Это первая часть серии из двух постов. Вторая часть будет посвящена кросс-аккаунтным сценариям управления для крупных и регулируемых организаций. Обе части сопровождаются рабочими ноутбуками в GitHub-репозитории.
Для организаций, которые уже используют MLflow для экспериментов, это упрощает переход к управляемому жизненному циклу моделей. Вместо ручного переноса данных между системами, автоматизация обеспечивает единый процесс от экспериментов до продакшена, что особенно важно для соответствия требованиям регуляторов и внутренним политикам управления.
