Aller au contenu principal
Dernière mise à jour le

Configurer une politique budgétaire serverless pour une expérimentation MLflow

info

Bêta

Cette fonctionnalité est en Bêta. Les administrateurs du Workspace peuvent contrôler l'accès à cette fonctionnalité à partir de la page Previews . Consultez Gérer les aperçus Databricks.

Définissez une politique budgétaire Serverless sur une Experimentation MLflow pour contrôler la politique que MLflow utilise pour les charges de travail Serverless qu’il exécute sur l’Experimentation. Les charges de travail affectées incluent les scorers planifiés, la génération d’ensembles d’évaluation synthétiques et l’ évaluation d’agents.

Par default, ces charges de travail utilisent la politique budgétaire Serverless default du Workspace. Si votre Workspace désactive la politique par défaut (par exemple, lorsque chaque utilisateur et Service Principal doit sélectionner une politique dédiée), MLflow ne peut pas choisir de fallback et l’enregistrement d’un évaluateur ou l’exécution d’une évaluation échoue avec l’erreur suivante :

Text
403 Client Error: Forbidden
PERMISSION_DENIED: Unable to use fallback policies, please manually select a policy.

Définissez la politique sur l’Experimentation pour débloquer ces workflows. MLflow utilise alors cette politique pour chaque charge de travail serverless qu'il crée pour l'expérimentation.

Exigences​

  • Autorisation d'utiliser la politique budgétaire que vous souhaitez définir. Les utilisateurs et les Service Principal ne peuvent attribuer qu'une politique qu'ils sont autorisés à utiliser.

Définissez la politique budgétaire dans l'interface utilisateur.​

  1. Ouvrez l'expérimentation MLflow.
  2. Dans le panneau Détails de l'expérimentation, définissez la politique budgétaire sur une politique que vous êtes autorisé(e) à utiliser.

MLflow utilise cette politique pour les charges de travail Serverless qu'il crée pour le compte de l'Expérimentation.

Définir la politique budgétaire avec l'API​

Utilisez mlflow.set_experiment_tag() pour définir la balise mlflow.workload_creation_policy_id sur l’Experimentation :

Python
import mlflow

mlflow.set_experiment_tag(
    experiment_id="<your-experiment-id>",
    key="mlflow.workload_creation_policy_id",
    value="<your-policy-id>",
)

Une fois l'étiquette définie, les appels ultérieurs qui créent des workloads serverless à partir de l'expérimentation (tels que Scorer.register()) utilisent la politique spécifiée.

Pour trouver l’ID d’une politique budgétaire, reportez-vous à Attribuer l’utilisation avec les politiques d’utilisation Serverless.

Ressources supplémentaires​

Sur cette page