Condividi tramite

Accedere al server di rilevamento MLflow dall'esterno di Azure Databricks

  • Articolo

È possibile accedere al server di rilevamento MLflow dalle proprie applicazioni o dalla CLI di MLflow.

Questo articolo descrive i passaggi di configurazione necessari. Per iniziare, installare MLflow e configurare il credentials (passaggio 1). È quindi possibile configurare un'applicazione (Passaggio 2) o configurare la CLI di MLflow (Passaggio 3).

Per informazioni su come avviare e registrare un server di rilevamento open source, vedere la Documentazione open source di MLflow.

Passaggio 1: Configurare l'ambiente

Se non si dispone di un account Azure Databricks, è possibile provare Databricks gratuitamente.

Per configurare l'ambiente per accedere al server di rilevamento MLflow ospitato in Azure Databricks:

  1. Installare MLflow usando pip install mlflow.
  2. Configurare l'autenticazione. Eseguire una delle seguenti operazioni:

    • Generate un token API REST e crea un file credentials usando databricks configure --token.

    • Specificare credentials tramite le variabili di 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="..."

Passaggio 2: Configurare le applicazioni MLflow

Configurare le applicazioni MLflow per accedere ad Azure Databricks impostando l'URI di rilevamento su databrickso databricks://<profileName>, se è stato specificato un nome di profilo tramite --profile durante la creazione del file credentials. Ad esempio, è possibile ottenere questo risultato impostando la variabile di ambiente MLFLOW_TRACKING_URI su "databricks".

Passaggio 3: Configurare la CLI di MLflow

Configurare la CLI di MLflow per comunicare con un server di rilevamento di Azure Databricks con la variabile di ambiente MLFLOW_TRACKING_URI. Ad esempio, per creare un esperimento usando la CLI di con l'URI di rilevamento databricks, eseguire:

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