Operar un servidor de seguimiento de MLflow autogestionado puede presentar una considerable carga administrativa. El mantenimiento del servidor y la necesidad de escalar recursos según la demanda son solo algunos de los desafíos a enfrentar. En un esfuerzo por optimizar recursos y costos, especialmente durante los picos de utilización, las organizaciones que actualmente utilizan MLflow en Amazon EC2 o en instalaciones locales pueden considerar la adopción de Amazon SageMaker AI con MLflow sin servidor.
Recientemente, se ha publicado una guía que ofrece un camino claro para migrar un servidor de seguimiento MLflow autogestionado a una aplicación sin servidor en SageMaker AI. Esta solución ajusta automáticamente los recursos según la demanda, eliminando las tareas de gestión adicionales de servidores y almacenamiento sin incurrir en costes extras. La guía detalla el uso de la herramienta MLflow Export Import para transferir experimentos, ejecuciones, modelos y otros recursos de manera fluida, proporcionando además pasos para comprobar el éxito de la migración.
Más allá de su enfoque principal hacia la migración de servidores MLflow autogestionados, la herramienta MLflow Export Import ofrece una utilidad versátil que permite, por ejemplo, la migración de servidores de seguimiento administrados en SageMaker a su nueva capacidad sin servidor. Asimismo, facilita actualizaciones de versión y la creación de rutinas de respaldo para recuperación ante desastres.
Este proceso de migración se realiza en tres fases clave: primero, exportando los artefactos MLflow a un almacenamiento intermedio; luego, configurando una aplicación MLflow; y finalmente, importando los artefactos al nuevo entorno. Todo esto puede llevarse a cabo desde una instancia de EC2, un ordenador personal o un cuaderno de SageMaker, siempre que el entorno mantenga la conectividad entre el servidor de origen y el de destino.
Es crucial verificar la compatibilidad de la versión de MLflow antes de iniciar la migración para asegurar que las versiones en el servidor original y en SageMaker estén soportadas. Optar por la última versión de MLflow disponible en Amazon SageMaker puede facilitar el proceso.
Una vez creada la nueva aplicación MLflow en SageMaker, el siguiente paso requiere la instalación de MLflow y el plugin de SageMaker para establecer la conexión adecuada. Posteriormente, la herramienta MLflow Export Import se instala con el objetivo de exportar e importar los recursos requeridos.
La validación de la migración es esencial para confirmar que todos los elementos de MLflow se transfieran correctamente. Este paso implica verificar que los experimentos y las ejecuciones estén completos y los modelos accesibles. Se recomienda dividir el proceso en lotes más pequeños si se está manejando una migración a gran escala para facilitar la gestión.
Cabe recordar que un servidor de seguimiento administrado por SageMaker generará costos hasta su eliminación o detención. Por lo tanto, es aconsejable detener o eliminar los servidores cuando no estén en uso para evitar gastos innecesarios.
La adopción de una aplicación MLflow sin servidor en Amazon SageMaker AI promete reducir significativamente la carga operativa de mantener infraestructura, ofreciendo una integración armoniosa con los variados servicios de AI/ML que SageMaker pone a disposición. Aquellos interesados en efectuar su propia migración pueden seguir la guía detallada referenciada y consultar la documentación para profundizar en el proceso.
