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.
# Häufig gestellte Fragen zur Modellsteuerung
In den folgenden FAQ-Themen finden Sie Antworten auf häufig gestellte Fragen zu Amazon SageMaker Model Dashboard.
## F: Was ist Model Dashboard?
Amazon SageMaker Model Dashboard ist ein zentrales Repository für alle Modelle, die in Ihrem Konto erstellt wurden. Die Modelle sind in der Regel die Ergebnisse von SageMaker Trainingsaufträgen, aber Sie können auch Modelle importieren, die an anderer Stelle trainiert wurden, und sie auf SageMaker KI hosten. Model Dashboard bietet IT-Administratoren, Modellrisikomanagern und Geschäftsführern eine einzige Oberfläche, über die sie alle bereitgestellten Modelle verfolgen können. Außerdem werden Daten aus mehreren AWS Diensten zusammengefasst, um Indikatoren zur Leistung Ihrer Modelle bereitzustellen. Sie können sich Details zu Modellendpunkten, Batch-Transformationsaufträgen und Überwachungsaufträgen anzeigen lassen, um zusätzliche Einblicke in die Modellleistung zu erhalten. Anhand der visuellen Anzeige des Dashboards können Sie schnell erkennen, bei welchen Modellen die Monitore fehlen oder inaktiv sind. So können Sie sicherstellen, dass alle Modelle regelmäßig auf Datendrift, Modelldrift, Biasdrift und Abweichungen bei der Merkmalszuweisung überprüft werden. Und nicht zuletzt hilft Ihnen der schnelle Zugriff auf Modelldetails über das Dashboard, sodass Sie auf Protokolle, infrastrukturbezogene Informationen und Ressourcen zugreifen können, die Sie beim Debuggen von Überwachungsfehlern unterstützen.
## F: Was sind die Voraussetzungen für die Verwendung von Model Dashboard?
Sie sollten über ein oder mehrere KI-gestützte Modelle verfügen, die entweder auf SageMaker SageMaker KI geschult oder extern geschult wurden. Dies ist zwar keine zwingende Voraussetzung, aber Sie ziehen den größten Nutzen aus dem Dashboard, wenn Sie Modellüberwachungsaufträge über Amazon SageMaker Model Monitor für Modelle einrichten, die auf Endpunkten bereitgestellt werden.
## F: Wer sollte Model Dashboard verwenden?
Modellrisikomanager, ML-Praktiker, Datenwissenschaftler und Unternehmensleiter können sich mithilfe des Model Dashboards einen umfassenden Überblick über Modelle verschaffen. Das Dashboard aggregiert und zeigt Daten von Amazon SageMaker Model Cards, Endpoints und Model Monitor-Services an, um wertvolle Informationen wie Modellmetadaten aus der Modellkarte und der Modellregistrierung, Endpunkte, an denen die Modelle eingesetzt werden, und Erkenntnisse aus der Modellüberwachung anzuzeigen.
## F: Wie verwende ich Model Dashboard?
Model Dashboard ist mit Amazon SageMaker AI sofort einsatzbereit und erfordert keine vorherige Konfiguration. Wenn Sie jedoch Modellüberwachungsaufträge mit SageMaker Model Monitor und Clarify eingerichtet haben, verwenden Sie Amazon, um Warnmeldungen CloudWatch zu konfigurieren, die im Dashboard eine Meldung auslösen, wenn die Modellleistung von einem akzeptablen Bereich abweicht. Sie können neue Modellkarten erstellen und zum Dashboard hinzufügen und alle Überwachungsergebnisse im Zusammenhang mit Endpunkten einsehen. Model Dashboard unterstützt derzeit keine kontenübergreifenden Modelle.
## F: Was ist Amazon SageMaker Model Monitor?
Mit Amazon SageMaker Model Monitor können Sie die Daten auswählen, die Sie überwachen und analysieren möchten, ohne Code schreiben zu müssen. SageMaker Mit Model Monitor können Sie Daten, wie z. B. die Prognoseausgabe, aus einem Optionsmenü auswählen und Metadaten wie Zeitstempel, Modellname und Endpunkt erfassen, sodass Sie Modellvorhersagen analysieren können. Sie können die Samplerate der Datenerfassung als Prozentsatz des Gesamtverkehrs angeben, wenn Echtzeitprognosen mit hohem Volumen vorliegen. Diese Daten werden in Ihrem eigenen Amazon-S3-Bucket gespeichert. Sie können diese Daten auch verschlüsseln, detaillierte Sicherheitsfunktionen konfigurieren, Richtlinien zur Datenspeicherung definieren und Zugriffskontrollmechanismen für einen sicheren Zugriff implementieren.
## F: Welche Arten von Modellmonitoren unterstützt SageMaker KI?
SageMaker Model Monitor bietet die folgenden Arten von [Modellmonitoren:](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor.html)
+ *Datenqualität*: Überwachen Sie die Veränderung der Datenqualität.
+ *Modellqualität*: Überwachen Sie Abweichungen bei den Kennzahlen zur Modellqualität, z. B. bei der Genauigkeit.
+ *Bias Drift bei Modellen in der Produktion*: Überwachen Sie Verzerrungen bei den Vorhersagen Ihres Modells, indem Sie die Verteilung von Trainings- und Live-Daten vergleichen.
+ *Drift bei der Merkmalszuweisung bei Modellen in der Produktion*: Überwachen Sie Abweichungen bei der Merkmalszuweisung, indem Sie die relative Rangfolge der Merkmale in Trainings- und Live-Daten vergleichen.
## F: Welche Inferenzmethoden unterstützt SageMaker Model Monitor?
Model Monitor unterstützt derzeit Endpunkte, die ein einzelnes Modell für Echtzeit-Inferenz hosten, und unterstützt nicht die Überwachung von [Endpunkten mit mehreren Modellen](https://docs.aws.amazon.com/sagemaker/latest/dg/multi-model-endpoints.html).
## F: Wie kann ich mit Model Monitor beginnen? SageMaker
Sie können die folgenden Ressourcen verwenden, um mit der Modellüberwachung zu beginnen:
+ [Beispiel für ein Notebook zur Überwachung der Datenqualität](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker_model_monitor/introduction/SageMaker-ModelMonitoring.ipynb)
+ [Modell, Qualitätsmonitor, Beispiel: Notebook](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker_model_monitor/introduction/SageMaker-ModelMonitoring.ipynb)
+ [Beispiel für ein Notebook mit Bias-Drift-Monitor](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker_model_monitor/fairness_and_explainability/SageMaker-Model-Monitor-Fairness-and-Explainability.ipynb)
+ [Beispiel für ein Notebook mit Funktionszuweisung, Drift Monitor](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker_model_monitor/fairness_and_explainability/SageMaker-Model-Monitor-Fairness-and-Explainability.ipynb)
Weitere Beispiele für Modellüberwachung finden Sie im GitHub Repository [amazon-sagemaker-examples](https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker_model_monitor).
## F: Wie funktioniert Model Monitor?
Amazon SageMaker Model Monitor überwacht automatisch Machine-Learning-Modelle in der Produktion und verwendet Regeln, um Abweichungen in Ihrem Modell zu erkennen. Model Monitor benachrichtigt Sie über Warnmeldungen, wenn Qualitätsprobleme auftreten. Weitere Informationen hierzu finden Sie unter [So funktioniert Amazon SageMaker Model Monitor](model-monitor.md#model-monitor-how-it-works).
## F: Wann und wie bringen Sie Ihren eigenen Container (BYOC) für Model Monitor mit?
Model Monitor berechnet Modellmetriken und Statistiken nur anhand von Tabellendaten. Für andere Anwendungsfälle als tabellarische Datensätze, wie Bilder oder Text, können Sie Ihre eigenen Container (BYOC) verwenden, um Ihre Daten und Modelle zu überwachen. Sie können BYOC beispielsweise verwenden, um ein Bildklassifizierungsmodell zu überwachen, das Bilder als Eingabe verwendet und ein Etikett ausgibt. Weitere Informationen zu Containerverträgen finden Sie unter [Support für Ihre eigenen Container mit Amazon SageMaker Model Monitor](model-monitor-byoc-containers.md).
## F: Wo finde ich Beispiele für BYOC für Model Monitor?
Hilfreiche BYOC-Beispiele finden Sie unter den folgenden Links:
+ [Überwachung der Daten- und Modellqualität mit Amazon SageMaker Model Monitor](model-monitor.md)
+ [GitHubBeispiel für ein Repository](https://github.com/aws/amazon-sagemaker-examples/tree/master/sagemaker_model_monitor)
+ [Support für Ihre eigenen Container mit Amazon SageMaker Model Monitor](model-monitor-byoc-containers.md)
+ [Erkennung von Datendrift in NLP mithilfe von BYOC Model Monitor](https://aws.amazon.com/blogs/machine-learning/detect-nlp-data-drift-using-custom-amazon-sagemaker-model-monitor)
+ [Erkennung und Analyse falscher Vorhersagen in CV](https://aws.amazon.com/blogs//machine-learning/detecting-and-analyzing-incorrect-model-predictions-with-amazon-sagemaker-model-monitor-and-debugger)
## F: Wie integriere ich Model Monitor in Pipelines?
Einzelheiten zur Integration von Model Monitor und Pipelines finden Sie unter [Amazon Pipelines ist jetzt in SageMaker Model Monitor und SageMaker Clarify integriert](https://aws.amazon.com/about-aws/whats-new/2021/12/amazon-sagemaker-pipelines-integrates-sagemaker-model-monitor-sagemaker-clarify/).
Ein Beispiel finden Sie im GitHub Beispielnotizbuch [Pipelines zur Integration mit Model Monitor](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker-pipelines/tabular/model-monitor-clarify-pipelines/sagemaker-pipeline-model-monitor-clarify-steps.ipynb) und Clarify.
## F: Gibt es irgendwelche Leistungsprobleme bei der Verwendung von `DataCapture`?
Wenn diese Option aktiviert ist, erfolgt die Datenerfassung asynchron auf den SageMaker KI-Endpunkten. Um Auswirkungen auf Inferenzanfragen zu vermeiden, stoppt `DataCapture` die Erfassung von Anfragen bei hoher Festplattenauslastung. Es wird empfohlen, die Festplattenauslastung unter 75% zu halten, um sicherzustellen, dass `DataCapture` weiterhin Anfragen erfasst werden.