Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich. # Codebeispiele: SDK für Python Dieser Abschnitt enthält Beispielcode zum Erstellen und Aufrufen eines Endpunkts, der die Online-Erklärbarkeit von Clarify verwendet. SageMaker Diese Codebeispiele verwenden das [AWS SDK für Python.](https://aws.amazon.com/sdk-for-python/) ## Tabellendaten Das folgende Beispiel verwendet tabellarische Daten und ein SageMaker KI-Modell namens. `model_name` In diesem Beispiel akzeptiert der Modellcontainer Daten im CSV-Format, und jeder Datensatz hat vier numerische Merkmale. In dieser Minimalkonfiguration sind die SHAP-Basisdaten **nur zu Demonstrationszwecken** auf Null gesetzt. Weitere Informationen zur Auswahl geeigneterer Werte für `ShapBaseline` finden Sie unter [SHAP-Baselines zur Erläuterbarkeit](clarify-feature-attribute-shap-baselines.md). Konfigurieren Sie den Endpunkt wie folgt: ``` endpoint_config_name = 'tabular_explainer_endpoint_config' response = sagemaker_client.create_endpoint_config( EndpointConfigName=endpoint_config_name, ProductionVariants=[{ 'VariantName': 'AllTraffic', 'ModelName': model_name, 'InitialInstanceCount': 1, 'InstanceType': 'ml.m5.xlarge', }], ExplainerConfig={ 'ClarifyExplainerConfig': { 'ShapConfig': { 'ShapBaselineConfig': { 'ShapBaseline': '0,0,0,0', }, }, }, }, ) ``` Verwenden Sie die Endpunktkonfiguration, um einen Endpunkt wie folgt zu erstellen: ``` endpoint_name = 'tabular_explainer_endpoint' response = sagemaker_client.create_endpoint( EndpointName=endpoint_name, EndpointConfigName=endpoint_config_name, ) ``` Verwenden Sie die `DescribeEndpoint`-API, um den Fortschritt bei der Erstellung eines Endpunkts wie folgt zu überprüfen: ``` response = sagemaker_client.describe_endpoint( EndpointName=endpoint_name, ) response['EndpointStatus'] ``` Wenn der Endpunktstatus "InService" lautet, rufen Sie den Endpunkt mit einem Testdatensatz wie folgt auf: ``` response = sagemaker_runtime_client.invoke_endpoint( EndpointName=endpoint_name, ContentType='text/csv', Accept='text/csv', Body='1,2,3,4', ) ``` **Anmerkung** Im vorherigen Codebeispiel übergeben Sie bei Multimodell-Endpunkten einen zusätzlichen `TargetModel`-Parameter in der Anfrage, um anzugeben, auf welches Modell der Endpunkt ausgerichtet werden soll. Gehen Sie davon aus, dass die Antwort den Statuscode 200 (kein Fehler) hat, und laden Sie den Antworttext wie folgt: ``` import codecs import json json.load(codecs.getreader('utf-8')(response['Body'])) ``` Die Standardaktion für den Endpunkt besteht darin, den Datensatz zu erklären. Im Folgenden wird die Beispielausgabe im zurückgegebenen JSON-Objekt gezeigt. ``` { "version": "1.0", "predictions": { "content_type": "text/csv; charset=utf-8", "data": "0.0006380207487381" }, "explanations": { "kernel_shap": [ [ { "attributions": [ { "attribution": [-0.00433456] } ] }, { "attributions": [ { "attribution": [-0.005369821] } ] }, { "attributions": [ { "attribution": [0.007917749] } ] }, { "attributions": [ { "attribution": [-0.00261214] } ] } ] ] } } ``` Verwenden Sie den `EnableExplanations`-Parameter, um Erklärungen auf Abruf wie folgt zu aktivieren: ``` response = sagemaker_runtime_client.invoke_endpoint( EndpointName=endpoint_name, ContentType='text/csv', Accept='text/csv', Body='1,2,3,4', EnableExplanations='[0]>`0.8`', ) ``` **Anmerkung** Im vorherigen Codebeispiel übergeben Sie bei Multimodell-Endpunkten einen zusätzlichen `TargetModel`-Parameter in der Anfrage, um anzugeben, auf welches Modell der Endpunkt ausgerichtet werden soll. In diesem Beispiel ist der Prognosewert kleiner als der Schwellenwert von `0.8`, sodass der Datensatz nicht erklärt wird: ``` { "version": "1.0", "predictions": { "content_type": "text/csv; charset=utf-8", "data": "0.6380207487381995" }, "explanations": {} } ``` Verwenden Sie Visualisierungstools, um die zurückgegebenen Erklärungen zu interpretieren. Die folgende Abbildung zeigt, wie SHAP-Diagramme verwendet werden können, um zu verstehen, wie jedes Merkmal zur Vorhersage beiträgt. Der Basiswert im Diagramm, auch Erwartungswert genannt, ist der Mittelwert der Vorhersagen des Trainingsdatensatzes. Features, die den Erwartungswert nach oben treiben, sind rot und Features, die den Erwartungswert nach unten drücken, sind blau. Weitere Informationen finden Sie unter [SHAP-Layout für additive Kräfte](https://shap.readthedocs.io/en/latest/generated/shap.plots.force.html). ![\[Beispiel-SHAP-Diagramm, das verwendet werden kann, um zu verstehen, wie jedes Merkmal zur Vorhersage beiträgt\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/clarify/force-plot.png) Siehe [Vollständiges Beispiel-Notebook für Tabellendaten](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker-clarify/online_explainability/tabular/tabular_online_explainability_with_sagemaker_clarify.ipynb). ## Textdaten Dieser Abschnitt enthält ein Codebeispiel zum Erstellen und Aufrufen eines Online-Erklärbarkeitsendpunkts für Textdaten. Das Codebeispiel verwendet SDK für Python. Das folgende Beispiel verwendet Textdaten und ein SageMaker KI-Modell namens`model_name`. In diesem Beispiel akzeptiert der Modellcontainer Daten im CSV-Format, und jeder Datensatz ist eine einfache Zeichenfolge. ``` endpoint_config_name = 'text_explainer_endpoint_config' response = sagemaker_client.create_endpoint_config( EndpointConfigName=endpoint_config_name, ProductionVariants=[{ 'VariantName': 'AllTraffic', 'ModelName': model_name, 'InitialInstanceCount': 1, 'InstanceType': 'ml.m5.xlarge', }], ExplainerConfig={ 'ClarifyExplainerConfig': { 'InferenceConfig': { 'FeatureTypes': ['text'], 'MaxRecordCount': 100, }, 'ShapConfig': { 'ShapBaselineConfig': { 'ShapBaseline': '""', }, 'TextConfig': { 'Granularity': 'token', 'Language': 'en', }, 'NumberOfSamples': 100, }, }, }, ) ``` + `ShapBaseline`: Ein spezielles Token, das für die natürliche Sprachverarbeitung (NLP) reserviert ist. + `FeatureTypes`: Identifiziert das Feature als Text. Wenn dieser Parameter nicht angegeben wird, versucht der Erklärer, den Feature-Typ abzuleiten. + `TextConfig`: Gibt die Granularitätseinheit und die Sprache für die Analyse von Textmerkmalen an. In diesem Beispiel ist die Sprache Englisch, und Granularität `token` bedeutet ein Wort im englischen Text. + `NumberOfSamples`: Ein Limit für die Festlegung der Obergrenzen der Größe des synthetischen Datensatzes. + `MaxRecordCount`: Die maximale Anzahl von Datensätzen in einer Anfrage, die der Modellcontainer verarbeiten kann. Dieser Parameter dient der Leistungsstabilisierung. Verwenden Sie die Endpunktkonfiguration, um den Endpunkt wie folgt zu erstellen: ``` endpoint_name = 'text_explainer_endpoint' response = sagemaker_client.create_endpoint( EndpointName=endpoint_name, EndpointConfigName=endpoint_config_name, ) ``` Nachdem der Status des Endpunkts auf `InService` gesetzt wurde, rufen Sie den Endpunkt auf. Im folgenden Codebeispiel wird ein Testdatensatz wie folgt verwendet: ``` response = sagemaker_runtime_client.invoke_endpoint( EndpointName=endpoint_name, ContentType='text/csv', Accept='text/csv', Body='"This is a good product"', ) ``` Wenn die Anfrage erfolgreich abgeschlossen wurde, gibt der Antworttext ein gültiges JSON-Objekt zurück, das dem Folgenden ähnelt: ``` { "version": "1.0", "predictions": { "content_type": "text/csv", "data": "0.9766594\n" }, "explanations": { "kernel_shap": [ [ { "attributions": [ { "attribution": [ -0.007270948666666712 ], "description": { "partial_text": "This", "start_idx": 0 } }, { "attribution": [ -0.018199033666666628 ], "description": { "partial_text": "is", "start_idx": 5 } }, { "attribution": [ 0.01970993241666666 ], "description": { "partial_text": "a", "start_idx": 8 } }, { "attribution": [ 0.1253469515833334 ], "description": { "partial_text": "good", "start_idx": 10 } }, { "attribution": [ 0.03291143366666657 ], "description": { "partial_text": "product", "start_idx": 15 } } ], "feature_type": "text" } ] ] } } ``` Verwenden Sie Visualisierungstools, um die zurückgegebenen Textzuordnungen zu interpretieren. Die folgende Abbildung zeigt, wie das captum Visualisierungsdienstprogramm verwendet werden kann, um zu verstehen, wie jedes Wort zur Vorhersage beiträgt. Je höher die Farbsättigung, desto höher die Bedeutung, die dem Wort beigemessen wird. In diesem Beispiel deutet eine stark gesättigte hellrote Farbe auf einen starken negativen Beitrag hin. Eine stark gesättigte grüne Farbe weist auf einen starken positiven Beitrag hin. Die Farbe Weiß zeigt an, dass das Wort einen neutralen Beitrag leistet. Weitere Informationen zum Parsen und Rendern der Zuordnungen finden Sie in der [Captum](https://github.com/pytorch/captum)-Bibliothek. ![\[Das captum Visualisierungsdienstprogramm wird verwendet, um zu verstehen, wie jedes Wort zur Vorhersage beiträgt.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/clarify/word-importance.png) Siehe [Vollständiges Beispiel-Notebook für Textdaten](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker-clarify/online_explainability/natural_language_processing/nlp_online_explainability_with_sagemaker_clarify.ipynb).