EVENT DOSSIER
Amazon SageMaker AI 已更新 Managed MLflow 与 Model Registry 的自动同步机制，新增对训练指标、评估结果及数据血缘信息的携带能力。此前版本无法自动推进模型至生产阶段，导致治理验证困难。此次更新允许数据科学家在 MLflow 中完成实验记录，同时由 Model Registry 统一管理进入生产周期的模型，实现单一权威视图。该功能为可选配置，用户需将 MLflow app 的 model-registration-mode 设置为 AutoModelRegistrationEnabled 并配置相应 IAM 权限以创建模型包组及版本即可激活。
Amazon SageMaker AI 已增强 Managed MLflow 与 Model Registry 的自动同步功能，使其携带训练指标、评估结果及血缘信息，并支持从 MLflow 驱动的生命周期阶段提升。此前同步缺乏上述数据且无…
2 条报道Amazon SageMaker AI 已增强 Managed MLflow 与 Model Registry 的自动同步功能，使其携带训练指标、评估结果及血缘信息，并支持从 MLflow 驱动的生命周期阶段提升。此前同步缺乏上述数据且无法自动推进模型至生产阶段，导致治理人员难以独立验证候选模型或数据科学家无法在实验工作流内完成审批。此次更新允许数据科学家继续使用 MLflow 作为实验记录系统，同时由 Model Registry 统一管理进入生产周期的模型，实现单一权威视图。该功能为可选配置，通过设置 MLflow app 的 model-registration-mode 为 AutoModelRegistrationEnabled 即可激活，并需配置相应的 IAM 权限以创建模型包组及版本。
本文介绍在 Amazon SageMaker AI 中利用 MLflow 实现跨账户模型治理的两种拓扑结构。第一种为 Hub-and-spoke 模式，通过 AWS Resource Access Manager (AWS RAM) 将单一 MLflow 应用共享给多个开发账户以集中治理；第二种为混合模式，用于受监管环境，保持开发账户与治理中心完全隔离。文章对比了数据科学家、治理官员及管理员在不同拓扑中的工作流程，并演示了模型从注册库经持续集成/持续交付 (CI/CD) 部署到端点的过程，旨在帮助组织选择合适的治理架构。