Govern models with MLflow and Amazon SageMaker AI Model Registry sync: Part 2
AWS 机器学习博客于 2026 年 9 月 8 日发布两篇文章，介绍托管 MLflow 与 Amazon SageMaker AI Model Registry 的同步功能。Part 1 展示在单账户中使用 IAM 防护治理候选模型，同步更丰富的模型元数据（训练指标、评估结果、推理规格和血缘）并支持生命周期阶段提升。Part 2 扩展至跨账户治理拓扑：使用 AWS RAM 的中心辐射模式集中治理，以及混合模式保持开发账户隔离。
发展脉络
- 首次出现Govern models with MLflow and Amazon SageMaker AI Model Registry sync: Part 1AWS Machine Learning Blog
- 行业反馈Govern models with MLflow and Amazon SageMaker AI Model Registry sync: Part 2AWS Machine Learning Blog
- 当前判断AWS 正在强化其 MLOps 治理能力，通过跨账户同步和集中治理模式，满足企业在多账户环境中对模型合规性和安全性的需求。这反映了云提供商在模型治理领域的竞争加剧，可能推动更多企业采用托管 MLflow 服务。Agent Pulse · 分析
AWS 发布了关于使用 MLflow 和 Amazon SageMaker AI Model Registry 同步治理模型的两部分博客。Part 1 描述了托管 MLflow 如何将更丰富的模型元数据（包括训练指标、评估结果、推理规格和血缘）同步到 SageMaker AI Model Registry，并支持生命周期阶段提升，在单账户中使用 IAM 防护来治理候选模型。Part 2 进一步扩展了跨账户治理，提出了两种拓扑：中心辐射模式，通过 AWS RAM 集中治理；混合模式，保持开发账户隔离。这些功能旨在帮助组织在多个账户中标准化模型治理流程。
该同步功能将 MLflow 的模型元数据（训练指标、评估结果、推理规格和血缘）集成到 SageMaker AI Model Registry，并支持生命周期阶段提升。跨账户治理通过 AWS RAM 实现资源共享，支持中心辐射和混合拓扑。这暗示了模型注册表与实验跟踪系统之间的深度集成趋势，可能简化 MLOps 工作流。下一步可观察是否支持更多元数据字段或与其他 MLflow 功能的集成。
AWS 正在强化其 MLOps 治理能力，通过跨账户同步和集中治理模式，满足企业在多账户环境中对模型合规性和安全性的需求。这反映了云提供商在模型治理领域的竞争加剧，可能推动更多企业采用托管 MLflow 服务。
对于使用 AWS 的企业，该功能降低了跨账户模型治理的复杂性，通过集中治理和隔离开发环境，提高了合规性和安全性。这有助于减少手动管理开销，并可能加速模型从开发到生产的流程。
未来，AWS 可能进一步扩展跨账户治理功能，例如支持更多治理策略或与第三方审计工具集成。企业可能更广泛地采用中心辐射模式来集中管理模型，同时保持开发隔离。