Fitur baru ini menghilangkan kebutuhan pengelolaan infrastruktur, sehingga tim dapat langsung memulai eksperimen tanpa harus melakukan perencanaan kapasitas atau konfigurasi server. Sejak integrasi awal MLflow pada Juni 2024, banyak pengguna memanfaatkan MLflow tracking servers untuk mengelola workflow eksperimen ML mereka.
Kini, dengan pendekatan serverless, AWS menghadirkan pengalaman yang lebih sederhana dan instan. Pembuatan MLflow App hanya memerlukan waktu sekitar dua menit, lengkap dengan konfigurasi IAM role dan bucket Amazon S3 yang sudah disiapkan secara otomatis.
Pembaruan ini juga membawa dukungan MLflow 3.4, termasuk fitur MLflow Tracing yang memungkinkan pelacakan detail eksekusi model, input-output, hingga metadata. Selain itu, AWS menambahkan kemampuan cross-domain dan cross-account access melalui AWS Resource Access Manager (RAM), sehingga kolaborasi lintas tim dan organisasi menjadi lebih mudah dan aman.
Integrasi dengan Amazon SageMaker Pipelines turut diperkuat. Kini, pipeline dapat otomatis membuat MLflow App jika belum tersedia, serta mencatat metrik, parameter, dan artefak eksperimen secara langsung. Fitur ini juga terhubung dengan SageMaker JumpStart dan Model Registry, memungkinkan workflow AI end-to-end berjalan lebih efisien.
AWS memastikan bahwa kemampuan serverless MLflow tersedia tanpa biaya tambahan, meski tetap mengikuti batas layanan tertentu. Fitur ini sudah dapat digunakan di berbagai region global, termasuk Asia Pasifik seperti Mumbai, Seoul, Singapura, Sydney, dan Tokyo.
Cek Berita dan Artikel yang lain di
Google News
