ทำไมต้องใช้การกำกับดูแล ML
Amazon SageMaker ได้มอบเครื่องมือการกำกับดูแลที่สร้างขึ้นตามวัตถุประสงค์เพื่อช่วยให้คุณใช้งาน ML อย่างมีความรับผิดชอบ ด้วย Amazon SageMaker Role Manager ผู้ดูแลระบบสามารถกำหนดสิทธิ์ขั้นต่ำได้ในไม่กี่นาที Amazon SageMaker Model Card ช่วยให้จับภาพ ดึงข้อมูล และแชร์ข้อมูลโมเดลที่จำเป็นได้ง่ายขึ้น เช่น การใช้งานตามวัตถุประสงค์ การจัดอันดับความเสี่ยง และรายละเอียดการฝึกฝน ตั้งแต่แนวคิดไปจนถึงการนำไปใช้จริง Amazon SageMaker Model Dashboard จะแจ้งให้คุณทราบเกี่ยวกับพฤติกรรมของแบบจำลองในการผลิต ทั้งหมดในที่เดียว การผสานรวมของ Amazon SageMaker และ Amazon DataZone ช่วยให้การเพิ่มประสิทธิภาพ ML และการกำกับดูแลข้อมูลทำได้ง่ายขึ้น
ประโยชน์ของการกำกับดูแล ML ของ SageMaker
ผสานการทำงานกับ Amazon DataZone
-
ตั้งค่าการควบคุมและการจัดเตรียม
-
ค้นหาและค้นพบแอสเซท
-
ใช้งานแอสเซท
-
เผยแพร่แอสเซท
-
ตั้งค่าการควบคุมและการจัดเตรียม
-
ผู้ดูแลระบบไอทีสามารถกำหนดการควบคุมโครงสร้างพื้นฐานและการอนุญาตเฉพาะสำหรับองค์กรของคุณและกรณีการใช้งานใน Amazon DataZone จากนั้นคุณสามารถสร้างสภาพแวดล้อม SageMaker ที่เหมาะสมได้จากการคลิกเพียงไม่กี่ครั้ง และสามารถเริ่มกระบวนการพัฒนาภายใน SageMaker Studio ได้
-
ค้นหาและค้นพบแอสเซท
-
ใน SageMaker Studio คุณจะสามารถค้นหาและค้นพบข้อมูลและแอสเซทของ ML ในแค็ตตาล็อกธุรกิจขององค์กรของคุณได้อย่างมีประสิทธิภาพ นอกจากนี้ คุณยังสามารถขอเข้าถึงแอสเซทที่อาจจำเป็นต้องใช้ในโปรเจกต์ของคุณได้จากการสมัครรับข้อมูล
-
ใช้งานแอสเซท
-
เมื่อคำขอการสมัครรับข้อมูลของคุณได้รับการอนุมัติแล้ว คุณก็จะสามารถใช้เนื้อหาที่สมัครรับข้อมูลไว้เหล่านี้ในงาน ML ได้ เช่น การเตรียมข้อมูล การฝึกโมเดล และกระบวนการสร้างฟีเจอร์ใหม่ภายใน SageMaker Studio โดยใช้ JupyterLab และ SageMaker Canvas
-
เผยแพร่แอสเซท
-
เมื่อทำงาน ML เสร็จแล้ว คุณสามารถเผยแพร่ข้อมูล โมเดล และกลุ่มคุณสมบัติไปยังแค็ตตาล็อกธุรกิจเพื่อการกำกับดูแลและการค้นพบได้โดยผู้ใช้รายอื่น
กำหนดสิทธิ์
ลดความซับซ้อนของสิทธิ์สำหรับกิจกรรม ML
SageMaker Role Manager มอบสิทธิ์พื้นฐานสำหรับกิจกรรม ML และบุคคลภาพผ่านแคตตาล็อกนโยบาย AWS Identity and Access Management (IAM) ที่สร้างไว้ล่วงหน้า กิจกรรม ML อาจรวมถึงการเตรียมข้อมูลและการฝึกฝน และบุคคลอาจรวมถึงวิศวกร ML และนักวิทยาศาสตร์ข้อมูล คุณสามารถคงสิทธิ์พื้นฐานเอาไว้หรือปรับแต่งเพิ่มเติมตามความต้องการเฉพาะของคุณ
สร้างนโยบาย IAM โดยอัตโนมัติ
จากการใช้คำสั่งแนะนำด้วยตนเองเพียงไม่กี่คำสั่ง คุณสามารถป้อนโครงสร้างการกำกับดูแลทั่วไปได้อย่างรวดเร็ว เช่น ขอบเขตการเข้าถึงเครือข่ายและคีย์เข้ารหัส จากนั้น SageMaker Role Manager จะสร้างนโยบาย IAM โดยอัตโนมัติ คุณสามารถค้นหาบทบาทที่สร้างขึ้นและนโยบายที่เกี่ยวข้องผ่าน AWS IAM Console
แนบนโยบายที่มีการจัดการของคุณ
หากต้องการปรับแต่งสิทธิ์ให้เหมาะกับกรณีการใช้งานของคุณเพิ่มเติม ให้แนบนโยบาย IAM ที่มีการจัดการของคุณกับบทบาทใน IAM ที่คุณสร้างด้วย SageMaker Role Manager คุณยังสามารถเพิ่มแท็กเพื่อช่วยระบุและจัดระเบียบบทบาทในบริการต่างๆ ของ AWS ได้อีกด้วย
ปรับปรุงเอกสารประกอบ
จัดเก็บข้อมูลโมเดล
SageMaker Model Card เป็นที่เก็บสำหรับข้อมูลโมเดลใน Amazon SageMaker Console และช่วยคุณรวมศูนย์และกำหนดมาตรฐานเอกสารโมเดล เพื่อให้คุณปรับใช้ ML ได้อย่างมีความรับผิดชอบ คุณสามารถเติมรายละเอียดการฝึกอบรมโดยอัตโนมัติ เช่น ชุดข้อมูลอินพุต สภาพแวดล้อมการฝึกฝน และผลการฝึกฝน เพื่อเร่งกระบวนการจัดทำเอกสาร คุณยังสามารถเพิ่มรายละเอียดต่างๆ เช่น วัตถุประสงค์ของแบบจำลองและเป้าหมายด้านประสิทธิภาพ
แสดงภาพผลการประเมิน
คุณสามารถแนบผลการประเมินโมเดล เช่น ความเอนเอียงและตัววัดคุณภาพลงในการ์ดโมเดลของคุณ และเพิ่มการแสดงภาพ เช่น แผนภูมิ เพื่อรับข้อมูลเชิงลึกที่สำคัญเกี่ยวกับประสิทธิภาพของโมเดล
แบ่งปันโมเดลการ์ด
คุณสามารถส่งออกการ์ดโมเดลของคุณเป็นรูปแบบ PDF เพื่อแแบ่งปันกับผู้ถือผลประโยชน์ทางธุรกิจ ทีมภายใน หรือลูกค้าของคุณได้ง่ายขึ้น
การตรวจสอบโมเดล
ติดตามพฤติกรรมของโมเดล
SageMaker Model Dashboard ให้ภาพรวมที่ครอบคลุมของโมเดลที่นำไปใช้จริงและตำแหน่งข้อมูล เพื่อให้คุณสามารถติดตามทรัพยากรและการละเมิดพฤติกรรมของโมเดลได้ในที่เดียว คุณสามารถตรวจสอบพฤติกรรมของโมเดลในสี่มิติ ได้แก่ คุณภาพข้อมูล คุณภาพของโมเดล การเลื่อนความเอนเอียง และการเลื่อนการระบุแหล่งที่มาของคุณลักษณะ SageMaker Model Dashboard ตรวจสอบพฤติกรรมผ่านการผสานรวมกับ Amazon SageMaker Model Monitor และ Amazon SageMaker Clarify
การแจ้งเตือนอัตโนมัติ
SageMaker Model Dashboard มอบประสบการณ์แบบบูรณาการในการตั้งค่าและรับการแจ้งเตือนสำหรับงานตรวจสอบโมเดลที่ขาดหายไปและไม่ได้ใช้งาน และความเบี่ยงเบนในพฤติกรรมของโมเดล
แก้ไขปัญหาการเบี่ยงเบนของโมเดล
คุณสามารถตรวจสอบแต่ละโมเดลเพิ่มเติมและวิเคราะห์ปัจจัยที่ส่งผลต่อประสิทธิภาพของโมเดลเมื่อเวลาผ่านไป จากนั้นคุณสามารถติดตามผลกับผู้ปฏิบัติงาน ML เพื่อใช้มาตรการแก้ไขได้