Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Gobernanza del modelo para administrar permisos y realizar un seguimiento del rendimiento del modelo
La gobernanza de modelos es un marco que proporciona una visibilidad sistemática del desarrollo, la validación y el uso de los modelos de machine learning (ML). Amazon SageMaker AI proporciona herramientas de gobierno del aprendizaje automático diseñadas específicamente para gestionar el acceso, el control, el seguimiento de las actividades y los informes a lo largo del ciclo de vida del aprendizaje automático.
Gestione los permisos con privilegios mínimos para los profesionales del aprendizaje automático mediante Amazon SageMaker Role Manager, cree documentación detallada sobre modelos con Amazon SageMaker Model Cards y obtenga visibilidad de sus modelos con paneles centralizados mediante Amazon SageMaker Model Dashboard.
## Gestor de SageMaker funciones de Amazon
Con Amazon SageMaker Role Manager, los administradores pueden definir los permisos de usuario con permisos de privilegios mínimos para las actividades comunes de aprendizaje automático. Utilice Amazon SageMaker Role Manager para crear y gestionar funciones de IAM personalizadas y específicas para las necesidades de su empresa.
Para obtener más información, consulte [Gestor de SageMaker funciones de Amazon](role-manager.md).
## Tarjetas SageMaker modelo Amazon
Utilice Amazon SageMaker Model Cards para documentar, recuperar y compartir la información esencial del modelo desde la concepción hasta la implementación. Con las tarjetas de modelos, los administradores de riesgos de modelos, los científicos de datos y los ingenieros de ML pueden crear un registro inmutable de los usos previstos del modelo, las clasificaciones de riesgo, los detalles del entrenamiento, los resultados de las evaluaciones y mucho más.
Para obtener más información, consulte [Tarjetas SageMaker modelo Amazon](model-cards.md).
## Panel de SageMaker modelos de Amazon
Amazon SageMaker Model Dashboard es un resumen visual prediseñado de todos los modelos de tu cuenta. SageMaker Model Dashboard integra información valiosa de Amazon SageMaker Model Monitor, Transform Jobs, Endpoints, ML Lineage Tracking y Amazon CloudWatch para que pueda acceder a información de alto nivel del modelo y realizar un seguimiento del rendimiento del modelo en una vista unificada.
Para obtener más información, consulte [Panel de SageMaker modelos de Amazon](model-dashboard.md).
## Amazon SageMaker Assets
Amazon SageMaker Assets es un nuevo flujo de trabajo que optimiza la gobernanza del aprendizaje automático. Permite a los usuarios publicar, compartir y suscribirse fácilmente a activos de ML y activos de datos, como grupos de características y tablas de Amazon Redshift.
Los administradores utilizan Amazon DataZone para configurar las bases de datos y la infraestructura de aprendizaje automático para que los usuarios compartan activos en Amazon SageMaker Studio. Tras la configuración, los usuarios pueden compartir los activos entre sí de forma sencilla y sin una sobrecarga adicional para los administradores. Para obtener más información sobre Amazon SageMaker Assets, consulte[Acceso controlado a los activos con Amazon SageMaker Assets](sm-assets.md).
# Tarjetas SageMaker modelo Amazon
**importante**
Amazon SageMaker Model Card está integrada con SageMaker Model Registry. Si va a registrar un modelo en Registro de modelos, puede utilizar la integración para añadir información de auditoría. Para obtener más información, consulte [Actualización de los detalles de una versión del modelo](model-registry-details.md).
Utilice Amazon SageMaker Model Cards para documentar detalles importantes sobre sus modelos de aprendizaje automático (ML) en un solo lugar para agilizar la gobernanza y la elaboración de informes. Las tarjetas de modelos pueden ayudarle a recopilar información clave sobre sus modelos a lo largo de su ciclo de vida e implementar prácticas de IA responsable.
Catalogue detalles, como el uso previsto y la clasificación de riesgo de un modelo, los detalles y las métricas del entrenamiento, los resultados y las observaciones de la evaluación, y elementos adicionales, como consideraciones, recomendaciones e información personalizada. Al crear tarjetas de modelos, puede hacer lo siguiente:
+ Proporcionar orientación sobre cómo debe usarse un modelo.
+ Respaldar las actividades de auditoría con descripciones detalladas del entrenamiento y rendimiento del modelo.
+ Comunicar cómo se pretende que un modelo respalde los objetivos empresariales.
Las tarjetas de modelos proporcionan una guía prescriptiva sobre la información que se debe documentar e incluyen campos para información personalizada. Tras crear una tarjeta de modelo, puede exportarla a un PDF o descargarla para compartirla con las partes interesadas pertinentes. Cualquier modificación, salvo la actualización del estado de aprobación, realizada en una tarjeta de modelo da como resultado versiones adicionales de la tarjeta de modelo para tener un registro inmutable de los cambios del modelo.
**Topics**
+ [Requisitos previos](#model-cards-prerequisites)
+ [Usos previstos de un modelo](#model-cards-intended-uses)
+ [Clasificaciones de riesgo](#model-cards-risk-rating)
+ [Esquema JSON de la tarjeta de modelo](#model-cards-json-schema)
+ [Para crear una tarjeta de modelo](model-cards-create.md)
+ [Acciones de las tarjetas de modelos](model-cards-manage.md)
+ [Configurar el soporte multicuenta para Amazon SageMaker Model Cards](model-cards-xaccount.md)
+ [Nivel bajo SageMaker APIs para tarjetas modelo](model-cards-apis.md)
+ [Modelo de tarjeta FAQs](model-cards-faqs.md)
## Requisitos previos
Para empezar a utilizar las tarjetas SageMaker modelo de Amazon, debes tener permiso para crear, editar, ver y exportar modelos de tarjetas.
## Usos previstos de un modelo
Especificar los usos previstos de un modelo ayuda a garantizar que los desarrolladores y los usuarios del modelo dispongan de la información que necesitan para entrenar o implementar el modelo de forma responsable. Los usos previstos de un modelo deben describir los escenarios en los que es apropiado usarlo, así como los escenarios en los que no se recomienda su uso.
Se recomienda incluir:
+ El propósito general del modelo
+ Casos de uso para los que se diseñó el modelo
+ Casos de uso para los que no se diseñó el modelo
+ Suposiciones hechas al desarrollar el modelo
Los usos previstos de un modelo van más allá de los detalles técnicos y describen cómo se debe utilizar un modelo en producción, los escenarios en los que es apropiado utilizar un modelo y otras consideraciones, como el tipo de datos que se van a utilizar con el modelo o cualquier hipótesis que se haya hecho durante el desarrollo.
## Clasificaciones de riesgo
Los desarrolladores crean modelos de ML para casos de uso con distintos niveles de riesgo. Por ejemplo, un modelo que apruebe solicitudes de préstamo puede ser un modelo de mayor riesgo que uno que detecte la categoría de un correo electrónico. Dados los diversos perfiles de riesgo de un modelo, las tarjetas de modelos proporcionan un campo para categorizar la clasificación de riesgo de un modelo.
Esta clasificación de riesgo puede ser `unknown`, `low`, `medium` o `high`. Utilice estos campos de clasificación de riesgo para etiquetar modelos desconocidos, de riesgo bajo, medio o alto y ayudar a su organización a cumplir con las normas vigentes sobre la puesta en producción de determinados modelos.
## Esquema JSON de la tarjeta de modelo
Los detalles de evaluación de una tarjeta de modelo deben proporcionarse en formato JSON. Si ya tiene informes de evaluación en formato JSON generados por [SageMaker Clarify](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-processing-job-run.html) o [SageMaker AI Model Monitor](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-model-quality.html), cárguelos en Amazon S3 y proporcione un URI de S3 para analizar automáticamente las métricas de evaluación. Para obtener más información y ejemplos de informes, consulta la carpeta de [métricas de ejemplo](https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker_model_governance/example_metrics) en el cuaderno de ejemplo *Amazon SageMaker Model Governance: Model Cards*.
Al crear una tarjeta de modelo con el SDK de SageMaker Python, el contenido del modelo debe estar en el esquema JSON de la tarjeta de modelo y debe proporcionarse como una cadena. Proporcione un contenido del modelo similar al del siguiente ejemplo.
### Archivo de ejemplo del esquema JSON de la tarjeta de modelo
```
{
"$schema": "http://json-schema.org/draft-07/schema#",
"$id": "http://json-schema.org/draft-07/schema#",
"title": "SageMakerModelCardSchema",
"description": "Internal model card schema for SageMakerRepositoryService without model_package_details",
"version": "0.1.0",
"type": "object",
"additionalProperties": false,
"properties": {
"model_overview": {
"description": "Overview about the model",
"type": "object",
"additionalProperties": false,
"properties": {
"model_description": {
"description": "description of model",
"type": "string",
"maxLength": 1024
},
"model_creator": {
"description": "Creator of model",
"type": "string",
"maxLength": 1024
},
"model_artifact": {
"description": "Location of the model artifact",
"type": "array",
"maxContains": 15,
"items": {
"type": "string",
"maxLength": 1024
}
},
"algorithm_type": {
"description": "Algorithm used to solve the problem",
"type": "string",
"maxLength": 1024
},
"problem_type": {
"description": "Problem being solved with the model",
"type": "string"
},
"model_owner": {
"description": "Owner of model",
"type": "string",
"maxLength": 1024
}
}
},
"intended_uses": {
"description": "Intended usage of model",
"type": "object",
"additionalProperties": false,
"properties": {
"purpose_of_model": {
"description": "Why the model was developed?",
"type": "string",
"maxLength": 2048
},
"intended_uses": {
"description": "intended use cases",
"type": "string",
"maxLength": 2048
},
"factors_affecting_model_efficiency": {
"type": "string",
"maxLength": 2048
},
"risk_rating": {
"description": "Risk rating for model card",
"$ref": "#/definitions/risk_rating"
},
"explanations_for_risk_rating": {
"type": "string",
"maxLength": 2048
}
}
},
"business_details": {
"description": "Business details of model",
"type": "object",
"additionalProperties": false,
"properties": {
"business_problem": {
"description": "What business problem does the model solve?",
"type": "string",
"maxLength": 2048
},
"business_stakeholders": {
"description": "Business stakeholders",
"type": "string",
"maxLength": 2048
},
"line_of_business": {
"type": "string",
"maxLength": 2048
}
}
},
"training_details": {
"description": "Overview about the training",
"type": "object",
"additionalProperties": false,
"properties": {
"objective_function": {
"description": "the objective function the model will optimize for",
"function": {
"$ref": "#/definitions/objective_function"
},
"notes": {
"type": "string",
"maxLength": 1024
}
},
"training_observations": {
"type": "string",
"maxLength": 1024
},
"training_job_details": {
"type": "object",
"additionalProperties": false,
"properties": {
"training_arn": {
"description": "SageMaker Training job arn",
"type": "string",
"maxLength": 1024
},
"training_datasets": {
"description": "Location of the model datasets",
"type": "array",
"maxContains": 15,
"items": {
"type": "string",
"maxLength": 1024
}
},
"training_environment": {
"type": "object",
"additionalProperties": false,
"properties": {
"container_image": {
"description": "SageMaker training image uri",
"type": "array",
"maxContains": 15,
"items": {
"type": "string",
"maxLength": 1024
}
}
}
},
"training_metrics": {
"type": "array",
"items": {
"maxItems": 50,
"$ref": "#/definitions/training_metric"
}
},
"user_provided_training_metrics": {
"type": "array",
"items": {
"maxItems": 50,
"$ref": "#/definitions/training_metric"
}
},
"hyper_parameters": {
"type": "array",
"items": {
"maxItems": 100,
"$ref": "#/definitions/training_hyper_parameter"
}
},
"user_provided_hyper_parameters": {
"type": "array",
"items": {
"maxItems": 100,
"$ref": "#/definitions/training_hyper_parameter"
}
}
}
}
}
},
"evaluation_details": {
"type": "array",
"default": [],
"items": {
"type": "object",
"required": [
"name"
],
"additionalProperties": false,
"properties": {
"name": {
"type": "string",
"pattern": ".{1,63}"
},
"evaluation_observation": {
"type": "string",
"maxLength": 2096
},
"evaluation_job_arn": {
"type": "string",
"maxLength": 256
},
"datasets": {
"type": "array",
"items": {
"type": "string",
"maxLength": 1024
},
"maxItems": 10
},
"metadata": {
"description": "additional attributes associated with the evaluation results",
"type": "object",
"additionalProperties": {
"type": "string",
"maxLength": 1024
}
},
"metric_groups": {
"type": "array",
"default": [],
"items": {
"type": "object",
"required": [
"name",
"metric_data"
],
"properties": {
"name": {
"type": "string",
"pattern": ".{1,63}"
},
"metric_data": {
"type": "array",
"items": {
"anyOf": [
{
"$ref": "#/definitions/simple_metric"
},
{
"$ref": "#/definitions/linear_graph_metric"
},
{
"$ref": "#/definitions/bar_chart_metric"
},
{
"$ref": "#/definitions/matrix_metric"
}
]
}
}
}
}
}
}
}
},
"additional_information": {
"additionalProperties": false,
"type": "object",
"properties": {
"ethical_considerations": {
"description": "Any ethical considerations that the author wants to provide",
"type": "string",
"maxLength": 2048
},
"caveats_and_recommendations": {
"description": "Caveats and recommendations for people who might use this model in their applications.",
"type": "string",
"maxLength": 2048
},
"custom_details": {
"type": "object",
"additionalProperties": {
"$ref": "#/definitions/custom_property"
}
}
}
}
},
"definitions": {
"source_algorithms": {
"type": "array",
"minContains": 1,
"maxContains": 1,
"items": {
"type": "object",
"additionalProperties": false,
"required": [
"algorithm_name"
],
"properties": {
"algorithm_name": {
"description": "The name of an algorithm that was used to create the model package. The algorithm must be either an algorithm resource in your SageMaker account or an algorithm in AWS Marketplace that you are subscribed to.",
"type": "string",
"maxLength": 170
},
"model_data_url": {
"description": "The Amazon S3 path where the model artifacts, which result from model training, are stored.",
"type": "string",
"maxLength": 1024
}
}
}
},
"inference_specification": {
"type": "object",
"additionalProperties": false,
"required": [
"containers"
],
"properties": {
"containers": {
"description": "Contains inference related information which were used to create model package.",
"type": "array",
"minContains": 1,
"maxContains": 15,
"items": {
"type": "object",
"additionalProperties": false,
"required": [
"image"
],
"properties": {
"model_data_url": {
"description": "The Amazon S3 path where the model artifacts, which result from model training, are stored.",
"type": "string",
"maxLength": 1024
},
"image": {
"description": "Inference environment path. The Amazon EC2 Container Registry (Amazon ECR) path where inference code is stored.",
"type": "string",
"maxLength": 255
},
"nearest_model_name": {
"description": "The name of a pre-trained machine learning benchmarked by Amazon SageMaker Inference Recommender model that matches your model.",
"type": "string"
}
}
}
}
}
},
"risk_rating": {
"description": "Risk rating of model",
"type": "string",
"enum": [
"High",
"Medium",
"Low",
"Unknown"
]
},
"custom_property": {
"description": "Additional property in section",
"type": "string",
"maxLength": 1024
},
"objective_function": {
"description": "objective function that training job is optimized for",
"additionalProperties": false,
"properties": {
"function": {
"type": "string",
"enum": [
"Maximize",
"Minimize"
]
},
"facet": {
"type": "string",
"maxLength": 63
},
"condition": {
"type": "string",
"maxLength": 63
}
}
},
"training_metric": {
"description": "training metric data",
"type": "object",
"required": [
"name",
"value"
],
"additionalProperties": false,
"properties": {
"name": {
"type": "string",
"pattern": ".{1,255}"
},
"notes": {
"type": "string",
"maxLength": 1024
},
"value": {
"type": "number"
}
}
},
"training_hyper_parameter": {
"description": "training hyper parameter",
"type": "object",
"required": [
"name"
],
"additionalProperties": false,
"properties": {
"name": {
"type": "string",
"pattern": ".{1,255}"
},
"value": {
"type": "string",
"pattern": ".{0,255}"
}
}
},
"linear_graph_metric": {
"type": "object",
"required": [
"name",
"type",
"value"
],
"additionalProperties": false,
"properties": {
"name": {
"type": "string",
"pattern": ".{1,255}"
},
"notes": {
"type": "string",
"maxLength": 1024
},
"type": {
"type": "string",
"enum": [
"linear_graph"
]
},
"value": {
"anyOf": [
{
"type": "array",
"items": {
"type": "array",
"items": {
"type": "number"
},
"minItems": 2,
"maxItems": 2
},
"minItems": 1
}
]
},
"x_axis_name": {
"$ref": "#/definitions/axis_name_string"
},
"y_axis_name": {
"$ref": "#/definitions/axis_name_string"
}
}
},
"bar_chart_metric": {
"type": "object",
"required": [
"name",
"type",
"value"
],
"additionalProperties": false,
"properties": {
"name": {
"type": "string",
"pattern": ".{1,255}"
},
"notes": {
"type": "string",
"maxLength": 1024
},
"type": {
"type": "string",
"enum": [
"bar_chart"
]
},
"value": {
"anyOf": [
{
"type": "array",
"items": {
"type": "number"
},
"minItems": 1
}
]
},
"x_axis_name": {
"$ref": "#/definitions/axis_name_array"
},
"y_axis_name": {
"$ref": "#/definitions/axis_name_string"
}
}
},
"matrix_metric": {
"type": "object",
"required": [
"name",
"type",
"value"
],
"additionalProperties": false,
"properties": {
"name": {
"type": "string",
"pattern": ".{1,255}"
},
"notes": {
"type": "string",
"maxLength": 1024
},
"type": {
"type": "string",
"enum": [
"matrix"
]
},
"value": {
"anyOf": [
{
"type": "array",
"items": {
"type": "array",
"items": {
"type": "number"
},
"minItems": 1,
"maxItems": 20
},
"minItems": 1,
"maxItems": 20
}
]
},
"x_axis_name": {
"$ref": "#/definitions/axis_name_array"
},
"y_axis_name": {
"$ref": "#/definitions/axis_name_array"
}
}
},
"simple_metric": {
"description": "metric data",
"type": "object",
"required": [
"name",
"type",
"value"
],
"additionalProperties": false,
"properties": {
"name": {
"type": "string",
"pattern": ".{1,255}"
},
"notes": {
"type": "string",
"maxLength": 1024
},
"type": {
"type": "string",
"enum": [
"number",
"string",
"boolean"
]
},
"value": {
"anyOf": [
{
"type": "number"
},
{
"type": "string",
"maxLength": 63
},
{
"type": "boolean"
}
]
},
"x_axis_name": {
"$ref": "#/definitions/axis_name_string"
},
"y_axis_name": {
"$ref": "#/definitions/axis_name_string"
}
}
},
"axis_name_array": {
"type": "array",
"items": {
"type": "string",
"maxLength": 63
}
},
"axis_name_string": {
"type": "string",
"maxLength": 63
}
}
}
```
# Para crear una tarjeta de modelo
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
Puedes crear una Amazon SageMaker Model Card mediante la consola de SageMaker IA o el SDK de SageMaker Python. También puede utilizar operaciones de la API directamente. Para obtener más información sobre las operaciones de la API, consulte [Nivel bajo SageMaker APIs para tarjetas modelo](model-cards-apis.md).
## Cree una tarjeta modelo con la consola SageMaker AI
Ve a la consola Amazon SageMaker AI. En el panel de navegación, en **Gobernanza**, elija **Tarjetas de modelos**. En la esquina superior derecha, seleccione **Crear tarjeta de modelo**.
Siga los cuatro pasos que aparecen en el mensaje de **Crear tarjeta de modelo** para documentar los detalles de su modelo.
### Paso 1: Ingresar los detalles del modelo y el uso previsto
Si su modelo es un AWS recurso, especifique el nombre exacto del modelo en este campo para rellenar automáticamente los detalles del modelo. Para ver los nombres de los modelos existentes, consulte **Modelos** en la consola Amazon SageMaker AI. Cada nombre de modelo único solo puede tener una tarjeta de modelo asociada.
Si su modelo no es un AWS recurso, proporcione un nombre único para su modelo. Para añadir un modelo como AWS recurso, consulte [Crear un modelo](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints-deployment.html#realtime-endpoints-deployment-create-model) en la *Guía para desarrolladores de Amazon SageMaker AI*. Como alternativa, puede añadir su modelo como paquete de modelos mediante [SageMaker AI Marketplace](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-marketplace.html) o [SageMaker AI Model Registry](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry.html).
Para obtener más información sobre los usos previstos, consulte [Usos previstos de un modelo](model-cards.md#model-cards-intended-uses). Para obtener más información sobre las clasificaciones de riesgo, consulte [Clasificaciones de riesgo](model-cards.md#model-cards-risk-rating).
#### Paso 2: Ingresar detalles de entrenamiento
Agregue los detalles del entrenamiento, las observaciones del entrenamiento, los conjuntos de datos, los hiperparámetros y los detalles sobre la función objetivo del modelo a la tarjeta de modelo.
La función objetivo de una tarjeta de modelo puede ser cualquier función que se optimice durante el entrenamiento. Esto puede incluir, entre otras cosas, funciones de costos, funciones de pérdida o métricas objetivas. En esta sección, documente la función objetivo que es más importante para entrenar su modelo.
Se recomienda catalogar los siguientes atributos de la función objetivo:
+ Dirección de optimización
+ Métrica
+ Description (Descripción)
Por ejemplo, puede minimizar (dirección de optimización) la pérdida de entropía cruzada (métrica) para un problema de clasificación binaria (descripción) o maximizar la probabilidad de una regresión logística. Además, puede proporcionar notas sobre por qué eligió esta función objetivo en lugar de otras.
#### Paso 3: Ingresar los detalles de la evaluación
Si ya tiene informes de evaluación generados por SageMaker Clarify o Model Monitor, proporcione un URI de S3 para esos informes o cárguelos manualmente para añadirlos a la tarjeta del modelo.
Para obtener más información sobre SageMaker Clarify, consulte [Ejecute SageMaker Clarify Processing Jobs para analizar los sesgos y explicar el sesgo](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-processing-job-run.html).
Para obtener más información sobre la supervisión de la desviación en las métricas de calidad del modelo mediante el monitor de modelos, consulte [Supervisión de la calidad del modelo](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-model-quality.html).
Para agregar su propio informe de evaluación, elija una **Evaluación de tarjeta de modelo genérica**. Todos los informes de evaluación de las tarjetas de modelos deben estar en el [Esquema JSON de la tarjeta de modelo](model-cards.md#model-cards-json-schema).
#### Paso 4: Ingresar detalles adicionales
Agregue campos de detalles personalizados de la tarjeta de modelo para cualquier información adicional que desee incluir en su tarjeta de modelo. Por ejemplo, puede incluir el campo personalizado *Línea de negocio* con un valor de *Finanzas personales*.
#### Guardar la tarjeta de modelo
Tras revisar la información de la tarjeta de modelo, seleccione **Guardar** en la esquina inferior derecha para guardar la tarjeta de modelo.
## Cree una tarjeta modelo con el SDK de SageMaker Python
Antes de crear una tarjeta de modelo, primero debe definir el contenido de la tarjeta de modelo. Cuando se usa el SDK de SageMaker Python, el contenido del modelo consiste en una descripción general del modelo, detalles de capacitación, usos previstos, detalles de evaluación e información adicional.
Puede crear tarjetas de modelos para:
+ Modelos que se alojan en SageMaker AI
+ Paquetes de modelos (modelos) dentro del registro de SageMaker modelos
+ Modelos alojados o registrados fuera de SageMaker AI
También puede crear tarjetas de modelos sin asociarles ningún modelo.
Te recomendamos añadir los modelos que has entrenado al Registro de SageMaker modelos. El registro de modelos le ayuda a catalogar los modelos y realizar un seguimiento de las versiones de los modelos. Al crear una tarjeta de modelo, la información sobre el modelo del registro de modelos rellena automáticamente la tarjeta de modelo. Puede editar la tarjeta de modelo o agregarle información después de crearla.
Para obtener más información sobre el uso del registro de modelos, consulte [Implementación del registro de modelos con el registro de modelos](model-registry.md). Para obtener información sobre la creación de una tarjeta de modelo a partir de un registro de modelos, consulte [Cree una tarjeta de modelo para su modelo en el Registro de SageMaker modelos](#model-cards-sdk-create-model-registry).
**nota**
Para usar tarjetas modelo con el SDK de SageMaker Python, primero debe establecer una sesión de SageMaker IA. Para obtener más información, consulta la sección [Sesión](https://sagemaker.readthedocs.io/en/stable/api/utility/session.html) en la referencia de la API del SDK de SageMaker Python.
Para crear una tarjeta de modelo para modelos que no están en el Registro de SageMaker modelos, consulte[Creación de un modelo que no esté en el registro de modelos](#model-card-sdk-create-model-non-model-registry).
### Creación de un modelo que no esté en el registro de modelos
Utilice la información de las siguientes secciones para crear una tarjeta de modelo para un modelo que no haya agregado al registro de modelos.
#### Paso 1: Definir la descripción general del modelo
Defina una visión general de su modelo.
```
model_overview = ModelOverview.from_model_name(
model_name=model_name,
sagemaker_session=sagemaker_session,
model_description="A-description-of-your-model",
problem_type="Problem-type", # For example, "Binary Classification"
algorithm_type="Algorithm-type", # For example, "Logistic Regression"
model_creator="Name-of-model-creator",
model_owner="Name-of-model-owner",
)
```
Si su modelo es un AWS recurso, la información general, como el ARN del modelo, el URI del contenedor de inferencias y la ubicación en S3 de los artefactos del modelo, se puede recuperar automáticamente. Imprima los AWS metadatos asociados con los siguientes comandos:
```
print(model_overview.model_id)
print(model_overview.inference_environment.container_image)
print(model_overview.model_artifact)
```
#### Paso 2: Definir detalles de entrenamiento
Para definir los detalles de entrenamiento de su modelo, primero debe definir su función objetivo.
```
objective_function = ObjectiveFunction(
function=Function(
function=ObjectiveFunctionEnum.MINIMIZE,
facet=FacetEnum.LOSS,
),
notes="An-explanation-about-objective-function",
)
```
A continuación, puede definir los detalles del entrenamiento utilizando la descripción general, la sesión y la función objetivo del modelo existente. Agregue aquí cualquier observación de entrenamiento.
```
training_details = TrainingDetails.from_model_overview(
model_overview=model_overview,
sagemaker_session=sagemaker_session,
objective_function=objective_function,
training_observations="Model-training-observations",
)
```
Una vez más, si tu modelo es un AWS recurso, algunos detalles de entrenamiento se rellenan automáticamente. Imprima el ARN del trabajo de entrenamiento, el URI del contenedor de entrenamiento y las métricas de entrenamiento con los siguientes comandos:
```
print(training_details.training_job_details.training_arn)
print(training_details.training_job_details.training_environment.container_image)
print([{"name": i.name, "value": i.value} for i in training_details.training_job_details.training_metrics])
```
#### Definir los detalles de la evaluación
Para definir los detalles de la evaluación del modelo, primero debe definir uno o más grupos de métricas para describir las métricas utilizadas en cualquier trabajo de evaluación.
```
my_metric_group = MetricGroup(
name="binary classification metrics",
metric_data=[Metric(name="accuracy", type=MetricTypeEnum.NUMBER, value=0.5)]
)
```
A continuación, puede definir los detalles de la evaluación mediante métricas de evaluación y conjuntos de datos para cada trabajo de evaluación. Agregue aquí cualquier observación de evaluación y asigne un nombre único a su trabajo de evaluación.
```
evaluation_details = [
EvaluationJob(
name="Example-evaluation-job",
evaluation_observation="Evaluation-observations",
datasets=["s3://path/to/evaluation/data"],
metric_groups=[my_metric_group],
)
]
```
Si ya tiene informes de evaluación generados por [SageMaker AI Clarify](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-processing-job-run.html) o [SageMaker AI Model Monitor](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-model-quality.html), cárguelos en Amazon S3 y proporcione un URI de S3 para analizar automáticamente las métricas de evaluación. Para agregar su propio informe de evaluación genérico de tarjeta de modelo, proporcione un informe en [formato JSON de los resultados de la evaluación](https://docs.aws.amazon.com/sagemaker/latest/dg/model-cards-json-schema.html).
```
report_type = "clarify_bias.json"
example_evaluation_job.add_metric_group_from_json(
f"example_metrics/{report_type}", EvaluationMetricTypeEnum.CLARIFY_BIAS
)
```
#### Paso 3: Definir los usos previstos
Defina los usos previstos del modelo, incluidos el propósito general del modelo y los casos de uso para los que fue diseñado. También se recomienda incluir cualquier factor que pueda afectar a la eficacia de este modelo en un caso de uso concreto y la clasificación de riesgo del modelo por parte de su organización. Para obtener más información, consulte [Usos previstos de un modelo](model-cards.md#model-cards-intended-uses) y [Clasificaciones de riesgo](model-cards.md#model-cards-risk-rating).
```
intended_uses = IntendedUses(
purpose_of_model="Purpose-of-the-model",
intended_uses="The-intended-uses-of-this-model",
factors_affecting_model_efficiency="Any-factors-effecting-model-efficacy",
risk_rating=RiskRatingEnum.LOW,
explanations_for_risk_rating="Explanation-for-low-risk-rating",
)
```
#### Definir información adicional
Por último, puede agregar información personalizada adicional a la tarjeta de modelo. Puede documentar cualquier consideración ética, advertencia y recomendación sobre el modelo. También puede agregar cualquier detalle personalizado que desee en forma de pares clave-valor.
```
additional_information = AdditionalInformation(
ethical_considerations="Any-ethical-considerations",
caveats_and_recommendations="Any-caveats-and-recommendations",
custom_details={"custom details1": "details-value"},
)
```
#### Paso 4: Crear la tarjeta de modelo
Asigne un nombre a su tarjeta modelo, defina una tarjeta modelo y, a continuación, utilice esa definición para crear una tarjeta modelo mediante el SDK de SageMaker Python.
```
model_card_name = "my-model-card"
my_card = ModelCard(
name=model_card_name,
status=ModelCardStatusEnum.DRAFT,
model_overview=model_overview,
training_details=training_details,
intended_uses=intended_uses,
evaluation_details=evaluation_details,
additional_information=additional_information,
sagemaker_session=sagemaker_session,
)
my_card.create()
```
### Cree una tarjeta de modelo para su modelo en el Registro de SageMaker modelos
Antes de empezar a crear una tarjeta de modelo, asegúrese de haber creado un grupo de paquetes de modelos y un paquete de modelos. Para obtener más información sobre el uso del registro de modelos, consulte [Implementación del registro de modelos con el registro de modelos](model-registry.md).
**importante**
Debe tener permisos para utilizar las operaciones del Registro de SageMaker modelos. Se recomienda utilizar una política `AmazonSageMakerModelRegistryFullAccess` AWS gestionada. Para obtener más información sobre la política administrada, consulte [AWS Políticas gestionadas para el registro de modelos](security-iam-awsmanpol-model-registry.md).
Utilice el SDK de SageMaker Python para crear una tarjeta de modelo para un paquete de modelos dentro del Registro de SageMaker modelos. Un paquete de modelos es un modelo que ha entrenado. Al crear una tarjeta modelo, Amazon SageMaker Model Cards importa automáticamente los datos del paquete modelo a la tarjeta modelo.
Al crear una tarjeta modelo para un paquete modelo, Amazon SageMaker Model Card utiliza la [DescribeModelPackage](https://docs.aws.amazon.com/APIReference/API_DescribeModelPackage.html#API_DescribeModelPackage_ResponseSyntax)operación para añadir los datos del paquete modelo a la tarjeta modelo. Los siguientes son ejemplos de los campos que se pueden importar de un paquete de modelos a una tarjeta de modelo:
+ [ModelDataUrl](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ModelPackageContainerDefinition.html#sagemaker-Type-ModelPackageContainerDefinition-ModelDataUrl)
+ [ModelPackageDescription](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeModelPackage.html#sagemaker-DescribeModelPackage-response-ModelPackageDescription)
+ [ModelPackageGroupName](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeModelPackage.html#sagemaker-DescribeModelPackage-response-ModelPackageGroupName)
+ [ModelPackageStatus](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeModelPackage.html#sagemaker-DescribeModelPackage-response-ModelPackageStatus)
+ [ModelPackageVersion](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeModelPackage.html#sagemaker-DescribeModelPackage-response-ModelPackageVersion)
Utilice el siguiente código para definir el paquete de modelos y crear una tarjeta de modelo a partir de él:
```
mp_details = ModelPackage.from_model_package_arn(
model_package_arn="example_model_package_arn",
sagemaker_session=sagemaker_session,
)
model_card_name = "example-model-card"
my_card = ModelCard(
name=model_card_name,
status=ModelCardStatusEnum.status,
model_package_details=mp_details,
sagemaker_session=sagemaker_session,
)
my_card.create()
```
Para `status`, especificará el estado de aprobación de la tarjeta de modelo. Si no especificas ningún estado, SageMaker Model Cards utilizará el valor predeterminado de`DRAFT`. Si no especificas una sesión de SageMaker IA, SageMaker Model Cards utilizará la sesión de SageMaker IA predeterminada.
Debe especificar un nombre para el modelo y el nombre de recurso de Amazon (ARN) del paquete de modelos. Para obtener información acerca de cómo obtener el nombre de recurso de Amazon (ARN) para el paquete de modelos, consulte [Visualización y actualización de los detalles de una versión del modelo (Boto3)](model-registry-details.md#model-registry-details-api).
La tarjeta de modelo que ha creado a partir del paquete de modelos puede que no contenga información o que la información sea inexacta. Puede agregar información a la tarjeta del modelo o editarla. Para obtener más información sobre la administración de tarjetas de modelos, consulte [Acciones de las tarjetas de modelos](model-cards-manage.md).
SageMaker Model Registry admite el control de versiones de sus paquetes de modelos. Puede versionar su paquete de modelos y crear una tarjeta de modelo para cada versión. La información de las tarjetas de modelos de las versiones anteriores se transfiere a las tarjetas de modelos creadas a partir de versiones posteriores. Por ejemplo, puede tener la versión 1, la versión 2 y la versión 3 de un paquete de modelos. Suponga que ya ha creado una tarjeta de modelo para la versión 1, pero no ha creado ninguna para la versión 2. Si creas una tarjeta modelo para la versión 3, Amazon SageMaker Model Cards transfiere automáticamente la información de la tarjeta modelo de la versión 1 a la tarjeta modelo de la versión 3.
**nota**
También puede crear tarjetas de modelo para paquetes de modelos que no utilizan el control de versiones. Sin embargo, la mayoría de los flujos de trabajo de machine learning incluyen varias versiones del mismo modelo, por lo que se recomienda hacer lo siguiente:
Crear una versión para cada paquete de modelos
Crear una tarjeta de modelo para cada versión del paquete de modelos
# Acciones de las tarjetas de modelos
Una vez creada la tarjeta de modelo, podrá administrarla. En la administración de tarjetas de modelos se incluyen las siguientes acciones:
+ Edición de una tarjeta de modelo
+ Eliminación de una tarjeta de modelo
+ Exportación de una tarjeta de modelo a un PDF
Puede gestionarlo mediante la consola Amazon SageMaker AI o el SDK de SageMaker Python. Para obtener más información sobre el uso del SDK de Python, consulte [Amazon SageMaker Model Cards](https://sagemaker.readthedocs.io/en/stable/api/governance/model_card.html) en la referencia de la API del SDK de SageMaker Python.
Para ver un ejemplo de cuaderno que usa el SDK de SageMaker Python, consulta el cuaderno de ejemplo *[Amazon SageMaker Model Governance - Model Card](https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker_model_governance/model_card.ipynb)*.
**Topics**
+ [Edición de una tarjeta de modelo](model-cards-console-edit.md)
+ [Exportación de una tarjeta de modelo](model-cards-console-export.md)
+ [Eliminación de una tarjeta de modelo](model-cards-console-delete.md)
# Edición de una tarjeta de modelo
Para editar un modelo de tarjeta, navega hasta el modelo de tarjeta de tu elección seleccionando su nombre en la consola de Amazon SageMaker Model Card y selecciona **Editar**.
Después de guardar una tarjeta de modelo, no se puede editar el nombre de esa tarjeta de modelo. Después de guardar una versión de la tarjeta de modelo, no puede actualizar esa versión de la tarjeta de modelo. Todas las modificaciones que necesite realizar se guardan como una versión posterior para tener un registro inmutable de los cambios del modelo.
Para ver diferentes versiones de la tarjeta de modelo, elija **Acciones**, **Seleccionar versión** y, a continuación, elija la versión que desee ver.
Puede editar una tarjeta de modelo mediante el método `model_card.update()`. Al actualizar una tarjeta de modelo, se crea una nueva versión de la tarjeta de modelo para tener un registro inmutable de los cambios del modelo. No puede actualizar el nombre de una tarjeta de modelo.
```
my_card.model_overview.model_description = "updated-model-decription"
my_card.update()
```
# Exportación de una tarjeta de modelo
Siga estos pasos para exportar una tarjeta de modelo.
1. Ve a la consola Amazon SageMaker Model Card.
1. Elija el nombre de la tarjeta de modelo que desea exportar.
1. En la descripción general de la tarjeta de modelo, elija **Acciones** y, a continuación, **Exportar PDF**.
1. Introduzca un URI de S3 o busque los buckets de S3 disponibles para el PDF de su tarjeta de modelo.
1. Si su tarjeta de modelo se exporta correctamente, puede elegir **Descargar PDF** en el banner resultante o descargar el PDF directamente desde Amazon S3.
Puede exportar una tarjeta de modelo en el SDK de SageMaker Python especificando una ruta de salida de S3 y exportando el PDF de la tarjeta de modelo a ella con los siguientes comandos:
```
s3_output_path = f"s3://{bucket}/{prefix}/export"
pdf_s3_url = my_card.export_pdf(s3_output_path=s3_output_path).delete()
```
# Eliminación de una tarjeta de modelo
Siga estos pasos para eliminar permanentemente una tarjetas de modelo o más.
1. Ve a la consola de Amazon SageMaker Model Cards.
1. Elija la casilla situada a la izquierda del nombre de la tarjeta o tarjetas que desee eliminar.
1. Elija **Eliminar** en la esquina superior derecha.
1. Confirme su solicitud para eliminar permanentemente una o más tarjetas.
También puede eliminar una tarjeta de modelo al ver la descripción general de la tarjeta de modelo en la consola; para ello, seleccione **Acciones** y, a continuación, **Eliminar tarjeta de modelo**.
En el SDK de SageMaker Python, puede eliminar permanentemente una tarjeta modelo con el siguiente comando:
```
my_card.delete()
```
# Configurar el soporte multicuenta para Amazon SageMaker Model Cards
Utiliza el soporte multicuenta de Amazon SageMaker Model Cards para compartir modelos de tarjetas entre AWS cuentas. La cuenta en la que se crean las tarjetas de modelos es la *cuenta de la tarjeta de modelo*. Los usuarios de la cuenta de la tarjeta de modelo las comparten con las *cuentas compartidas*. Los usuarios de una cuenta compartida pueden actualizar las tarjetas modelo o PDFs crearlas.
Los usuarios de la cuenta de tarjetas modelo comparten sus tarjetas modelo mediante AWS Resource Access Manager (AWS RAM). AWS RAM le ayuda a compartir recursos entre AWS cuentas. Para ver una introducción AWS RAM, consulta [¿Qué es AWS Resource Access Manager?](https://docs.aws.amazon.com/ram/latest/userguide/what-is.html)
El siguiente es el proceso para compartir tarjetas de modelos:
1. Un usuario de la cuenta de la tarjeta de modelo configura la tarjeta de modelo compartida entre cuentas mediante AWS Resource Access Manager.
1. Si las tarjetas modelo están cifradas con AWS KMS claves, el usuario que configure el uso compartido de modelos también debe proporcionar AWS KMS permisos a los usuarios de la cuenta compartida.
1. Un usuario de la cuenta compartida acepta la invitación al recurso compartido.
1. Un usuario de la cuenta compartida proporciona a los demás usuarios permisos para acceder a las tarjetas de modelos.
Si es usuario de la cuenta de la tarjeta de modelo, consulte las siguientes secciones:
+ [Configuración del uso compartido de tarjetas de modelos entre cuentas](#model-cards-xaccount-set-up)
+ [Configure AWS KMS los permisos para la cuenta compartida](#model-cards-xaccount-kms)
+ [Obtención de respuestas a la invitación para compartir recursos](#model-cards-xaccount-set-up-responses)
Si es usuario de la cuenta compartida, consulte [Configuración de los permisos de usuario de IAM en la cuenta compartida](#model-cards-xaccount-shared-account-permissions) sobre cómo configurar sus permisos y los de los demás usuarios de la cuenta.
## Configuración del uso compartido de tarjetas de modelos entre cuentas
Utilice AWS Resource Access Manager (AWS RAM) para conceder a los usuarios de su AWS cuenta acceso a ver o actualizar las tarjetas modelo creadas en una AWS cuenta diferente.
Para configurar el uso compartido de tarjetas de modelos, debe crear un recurso compartido. Un recurso compartido especifica:
+ Los recursos que se comparten
+ Quién o qué tiene acceso a los recursos
+ Permisos administrados para los recursos
Para obtener más información sobre los recursos compartidos, consulte [Terms and concepts for AWS RAM](https://docs.aws.amazon.com/ram/latest/userguide/getting-started-terms-and-concepts.html). Te recomendamos que te tomes el tiempo necesario para entenderlo AWS RAM conceptualmente antes de iniciar el proceso de creación de un recurso compartido.
**importante**
Debe disponer de los permisos adecuados para crear un recurso compartido. Para obtener más información sobre los permisos, consulta [Cómo AWS RAM funciona con IAM](https://docs.aws.amazon.com/ram/latest/userguide/security-iam-policies.html).
Para conocer los procedimientos para crear un recurso compartido y obtener información adicional sobre ellos, consulte [Create a resource share](https://docs.aws.amazon.com/ram/latest/userguide/getting-started-sharing.html#getting-started-sharing-create).
Al realizar el procedimiento de creación de un recurso compartido, debe especificar `sagemaker:ModelCard` como tipo de recurso. También debe especificar el número de recurso de Amazon (ARN) de la política basada en AWS RAM recursos. Puede especificar la política predeterminada o la política que tiene permisos adicionales para crear un PDF de la tarjeta de modelo.
Con la política predeterminada basada en recursos `AWSRAMPermissionSageMakerModelCards`, los usuarios de la cuenta compartida tienen permisos para realizar las siguientes operaciones:
+ [DescribeModelCard](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeModelCard.html)
+ [ListModelCardVersions](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ListModelCardVersions.html)
+ [UpdateModelCard](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateModelCard.html)
Con la política basada en recursos `AWSRAMPermissionSageMakerModelCardsAllowExport`, los usuarios de la cuenta compartida tienen permisos para realizar todas las acciones anteriores. También tienen permisos para crear un trabajo de exportación de tarjetas de modelos y describirlo mediante las siguientes operaciones:
+ [CreateModelCardExportJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModelCardExportJob.html)
+ [DescribeModelCardExportJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeModelCardExportJob.html)
Los usuarios de la cuenta compartida pueden crear un trabajo de exportación para generar un PDF de una tarjeta de modelo. También pueden describir un trabajo de exportación que se ha creado para buscar la URI de Amazon S3 del PDF.
Las tarjetas de modelos y los trabajos de exportación son recursos. La cuenta de la tarjeta de modelo es propietaria de los trabajos de exportación creados por un usuario en la cuenta compartida. Por ejemplo, un usuario de la cuenta A comparte la tarjeta de modelo X con la cuenta compartida B. Un usuario de la cuenta B crea el trabajo de exportación Y para la tarjeta de modelo X que almacena el resultado en una ubicación de Amazon S3 que especifique el usuario de la cuenta B. Aunque la cuenta B creó el trabajo de exportación Y, pertenece a la cuenta A.
Cada AWS cuenta tiene cuotas de recursos. Para obtener información sobre las cuotas relacionadas con las tarjetas modelo, consulta los [puntos de conexión y las cuotas de Amazon SageMaker AI](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html#limits_sagemaker).
### Configure AWS KMS los permisos para la cuenta compartida
Si las tarjetas modelo que compartes se han cifrado con AWS Key Management Service claves, también tendrás que compartir el acceso a las claves con la cuenta compartida. De lo contrario, los usuarios de la cuenta compartida no podrán ver, actualizar ni exportar las tarjetas de modelos. Para obtener una descripción general de AWS KMS, consulte [AWS Key Management Service](https://docs.aws.amazon.com/kms/latest/developerguide/overview.html).
Para conceder AWS KMS permisos a los usuarios de la cuenta compartida, actualiza tu política de claves con la siguiente declaración:
```
{
"Effect": "Allow",
"Principal": {
"AWS": [
"arn:aws:iam::shared-account-id::role/example-IAM-role"
]
},
"Action": [
"kms:GenerateDataKey",
"kms:Decrypt",
]
"Resource": "arn:aws:kms:AWS-Region-of-model-card-account:model-card-account-id:key/AWS KMS-key-id"
"Condition": {
"Bool": {"kms:GrantIsForAWSResource": true },
"StringEquals": {
"kms:ViaService": [
"sagemaker.AWS-Region.amazonaws.com",
"s3.AWS-Region.amazonaws.com"
],
},
"StringLike": {
"kms:EncryptionContext:aws:sagemaker:model-card-arn": "arn:aws:sagemaker:AWS-Region:model-card-account-id:model-card/model-card-name"
}
}
}
```
La instrucción anterior proporciona permisos `kms:Decrypt` y `kms:GenerateDataKey`a los usuarios de la cuenta compartida. Con `kms:Decrypt`, los usuarios pueden descifrar las tarjetas de modelos. Con`kms:GenerateDataKey`, los usuarios pueden cifrar los modelos de tarjetas que actualizan o crean. PDFs
### Obtención de respuestas a la invitación para compartir recursos
Una vez que haya creado un recurso compartido, las cuentas compartidas que haya especificado en el recurso compartido recibirán una invitación para unirse a él. Deben aceptar la invitación para acceder a los recursos.
Para obtener información sobre cómo aceptar una invitación para compartir recursos, consulte [Uso de AWS recursos compartidos](https://docs.aws.amazon.com/ram/latest/userguide/getting-started-shared.html) en la *Guía del usuario de AWS Resource Access Manager*.
### Configuración de los permisos de usuario de IAM en la cuenta compartida
La siguiente información supone que has aceptado la invitación a compartir recursos de la cuenta de tarjeta de modelo. Para obtener más información sobre cómo aceptar una invitación para compartir recursos, consulte [Uso de AWS recursos compartidos](https://docs.aws.amazon.com/ram/latest/userguide/getting-started-shared.html).
Usted y los demás usuarios de la cuenta utilizan un rol de IAM para acceder a las tarjetas de modelos compartidas desde la cuenta de la tarjeta de modelo. Utilice la siguiente plantilla para cambiar la política del rol de IAM. Puede modificar la plantilla para su propio caso de uso.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"sagemaker:DescribeModelCard",
"sagemaker:UpdateModelCard",
"sagemaker:CreateModelCardExportJob",
"sagemaker:ListModelCardVersions",
"sagemaker:DescribeModelCardExportJob"
],
"Resource": [
"arn:aws:sagemaker:us-east-1:111122223333:model-card/example-model-card-name-0",
"arn:aws:sagemaker:us-east-1:111122223333:model-card/example-model-card-name-1/*"
]
},
{
"Effect": "Allow",
"Action": "s3:PutObject",
"Resource": "arn:aws:s3:::amzn-s3-demo-bucket-storing-the-pdf-of-the-model-card/model-card-name/*"
}
]
}
```
------
Para acceder a las tarjetas modelo cifradas AWS KMS, debes proporcionar a los usuarios de tu cuenta los siguientes AWS KMS permisos.
```
{
"Effect": "Allow",
"Action": [
"kms:GenerateDataKey",
"kms:Decrypt",
],
"Resource": "arn:aws:kms:AWS-Region:AWS-account-id-where-the-model-card-is-created:key/AWS Key Management Service-key-id"
}
```
# Nivel bajo SageMaker APIs para tarjetas modelo
Puedes crear una tarjeta SageMaker modelo de Amazon directamente a través de la SageMaker API o la interfaz de línea de AWS comandos (AWS CLI).
**nota**
Al crear una tarjeta modelo con el nivel inferior APIs, el contenido debe estar en el esquema JSON de la tarjeta modelo y debe proporcionarse en forma de cadena. Para obtener más información, consulte [Esquema JSON de la tarjeta de modelo](model-cards.md#model-cards-json-schema).
## SageMaker API
Usa los siguientes comandos SageMaker de API para trabajar con Amazon SageMaker Model Cards:
+ [CreateModelCard](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModelCard.html)
+ [DescribeModelCard](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeModelCard.html)
+ [ListModelCards](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ListModelCards.html)
+ [ListModelCardVersions](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ListModelCardVersions.html)
+ [UpdateModelCard](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateModelCard.html)
+ [CreateModelCardExportJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModelCardExportJob.html)
+ [DescribeModelCardExportJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeModelCardExportJob.html)
+ [ListModelCardExportJobs](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ListModelCardExportJobs.html)
+ [DeleteModelCard](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteModelCard.html)
## AWS CLI
Utilice los siguientes comandos AWS CLI para trabajar con Amazon SageMaker Model Cards:
+ [create-model-card](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-model-card.html)
+ [describe-model-card](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/describe-model-card.html)
+ [list-model-cards](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/list-model-cards.html)
+ [list-model-card-versions](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/list-model-card-versions.html)
+ [update-model-card](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/update-model-card.html)
+ [create-model-card-export-trabajo](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-model-card-export-job.html)
+ [describe-model-card-export-trabajo](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/describe-model-card-export-job.html)
+ [list-model-card-export-trabajos](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/list-model-card-export-jobs.html)
+ [delete-model-card](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/delete-model-card.html)
# Modelo de tarjeta FAQs
Consulta las siguientes preguntas frecuentes para obtener respuestas a las preguntas más frecuentes sobre Amazon SageMaker Model Card.
## P: ¿Qué es el riesgo del modelo?
R: Puede utilizar los modelos para una variedad de aplicaciones empresariales, desde la predicción de ciberataques y la aprobación de solicitudes de préstamos hasta la detección de la categoría de un correo electrónico. Cada una de estas aplicaciones conlleva un nivel de riesgo diferente. Por ejemplo, la detección incorrecta de un ciberataque tiene un impacto empresarial mucho mayor que la categorización incorrecta de un correo electrónico. Dados los diversos perfiles de riesgo de un modelo, puede usar tarjetas de modelos para proporcionar una clasificación de riesgo de `low`, `medium` o `high` de un modelo. Si no conoce el riesgo de su modelo, puede configurar el estado en `unknown`. Los clientes son responsables de asignar el perfil de riesgo a cada modelo. Según la clasificación de riesgo, las organizaciones pueden tener diferentes reglas para implementar esos modelos en producción. Para obtener más información, consulte [Clasificaciones de riesgo](model-cards.md#model-cards-risk-rating).
## P: ¿Qué es el uso previsto de un modelo?
El uso previsto de un modelo describe cómo debe utilizarse el modelo en sus aplicaciones de producción. Esto va más allá de los requisitos técnicos, como el tipo de instancia en la que se debe implementar un modelo, y se refiere más bien a los tipos de aplicaciones que se van a crear con el modelo, los escenarios en los que se puede esperar un rendimiento razonable del modelo o el tipo de datos que se van a utilizar con el modelo. Se recomienda incluir esta información en la tarjeta de modelo para una mejor gobernanza del modelo. Puede definir un tipo de especificación de modelo en el campo de uso previsto y asegurarse de que los desarrolladores y consumidores de modelos sigan esta especificación al entrenar e implementar sus modelos. Para obtener más información, consulte [Usos previstos de un modelo](model-cards.md#model-cards-intended-uses).
## P: ¿La SageMaker IA rellena automáticamente la información de mi tarjeta de modelo?
Al crear una tarjeta de modelo mediante el SDK de SageMaker Python o la AWS consola, la SageMaker IA rellena automáticamente la información sobre el modelo entrenado. Esto incluye detalles completos del entrenamiento y toda la información sobre el modelo que está disponible a través de la llamada a la API `describe-model`. Si trabajas en Amazon SageMaker Studio, puedes rellenar automáticamente tus tarjetas de modelo llamando a la [DescribeModelPackage](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeModelPackage.html)API.
## P: ¿Puedo personalizar una tarjeta de modelo?
Las tarjetas SageMaker modelo de Amazon tienen una estructura definida que no se puede modificar. Esta estructura le proporciona orientación sobre la información que debe capturarse en una tarjeta de modelo. Si bien no se puede cambiar la estructura de la tarjeta de modelo, se introduce cierta flexibilidad mediante las propiedades personalizadas en la sección **Información adicional** de la tarjeta de modelo.
## P: ¿Puedo editar una tarjeta de modelo una vez creada?
Las tarjetas de modelos tienen versiones asociadas. Una versión de modelo determinada es inmutable en todos los atributos, excepto en el estado de la tarjeta de modelo. Si realizas cualquier otro cambio en la tarjeta modelo, como las métricas de evaluación, la descripción o los usos previstos, SageMaker AI crea una nueva versión de la tarjeta modelo para reflejar la información actualizada. Esto es para garantizar que una tarjeta de modelo, una vez creada, no pueda manipularse.
Las tarjetas de modelos se actualizan automáticamente cada vez que se realizan cambios en las versiones del paquete del modelo en el Registro de modelos.
## P: ¿Puedo crear modelos de tarjetas para modelos que no hayan sido entrenados con SageMaker IA?
R: Sí. Puedes crear modelos de tarjetas para modelos que no estén entrenados en SageMaker IA, pero la tarjeta no rellena automáticamente ninguna información. Debe proporcionar toda la información necesaria en la tarjeta de modelo para los modelos que no sean de SageMaker IA.
## P: ¿Puedo exportar o compartir las tarjetas de modelos?
R: Sí. Puede exportar cada versión de una tarjeta de modelo a un PDF, descargarla y compartirla.
## P: ¿Tengo que registrar mi modelo en el registro de modelos para poder utilizar las tarjetas de modelos?
R: Se puede acceder a las tarjetas modelo a través de SageMaker AI Console y Model Registry. Si usa Registro de modelos, recibirá automáticamente una tarjeta del modelo para cada versión del modelo.
## P. ¿Cuál es la diferencia entre las tarjetas de modelos y el registro de modelos?
R: Las tarjetas modelo tienen por objeto proporcionar a las organizaciones un mecanismo para documentar todos los detalles que deseen sobre su modelo, siguiendo las directrices prescriptivas de SageMaker AI y proporcionando su propia información personalizada. Puede introducir las tarjetas de modelos al principio del proceso de ML y utilizarlas para definir el problema empresarial que debe resolver el modelo y cualquier consideración que deba tenerse en cuenta al utilizarlo. Una vez entrenado un modelo, puede rellenar la tarjeta de modelo asociada a ese modelo con información sobre el modelo y sobre cómo se entrenó. Las tarjetas de modelos están asociadas a los modelos y son inmutables una vez asociadas a un modelo. Esto garantiza que la tarjeta de modelo sea la única fuente veraz de toda la información relacionada con un modelo, incluida la forma en que se entrenó y cómo debe usarse.
El registro de modelos es un catálogo que almacena metadatos sobre sus modelos. Cada entrada del registro de modelos corresponde a una versión de modelo única. Esa versión del modelo contiene información sobre el modelo, como dónde se almacenan los artefactos del modelo en Amazon S3, qué contenedor se necesita para implementar el modelo y metadatos personalizados que deben asociarse al modelo. Cada versión del paquete de modelos tiene una tarjeta del modelo asociada.
## P. ¿Cuál es la diferencia entre las tarjetas de modelos y Registro de modelos?
R: Las tarjetas de modelos están integradas en el objeto Registro de modelos. Cada versión de un paquete de modelos del Registro de Modelos está vinculada a su tarjeta del modelo correspondiente. Puede acceder al esquema de la tarjeta modelo de cada versión mediante la [ModelPackageModelCard](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ModelPackageModelCard.html)API.
## P: ¿Las versiones de las tarjetas de modelos están relacionadas con las versiones del modelo del Registro de modelos?
R: Sí, existe una one-to-one relación entre las tarjetas modelo y los modelos del Registro de modelos. Cada versión del modelo almacenada en el Registro de modelos tiene asociada exactamente una tarjeta del modelo.
## P: ¿Las tarjetas de modelo están integradas en SageMaker Model Monitor?
R: No. Puede cargar las métricas de rendimiento calculadas por SageMaker Model Monitor en la tarjeta de modelo cargando un archivo de métricas en Amazon S3 y vinculándolo a la tarjeta, pero no hay una integración nativa entre Model Monitor y las tarjetas de modelo. Los paneles de modelos están integrados con el monitor de modelos. Para obtener más información sobre los paneles de modelos, consulte [Amazon SageMaker Model Dashboard](https://docs.aws.amazon.com/sagemaker/latest/dg/model_dashboard.html).
# Acceso controlado a los activos con Amazon SageMaker Assets
Utilice Amazon SageMaker Assets para proporcionar un acceso controlado y regulado a *los activos*, modelos o tablas de datos que pertenecen a su organización. Dentro de SageMaker Assets, los usuarios de diferentes AWS cuentas pueden crear y compartir activos relacionados con problemas empresariales específicos sin tener que asumir una sobrecarga administrativa adicional. En lugar de que los permisos estén vinculados estáticamente a su identidad, los usuarios pueden conceder permisos a los activos que utilizan para sus flujos de trabajo activos.
Los activos son activos de ML o activos de datos. Los activos de ML son metadatos que apuntan a grupos de características de Amazon SageMaker Feature Store o grupos de SageMaker modelos de Model Registry. Los activos de datos son metadatos que apuntan a tablas o AWS Glue tablas de Amazon Redshift.
Por ejemplo, el activo de un grupo de modelos contiene el nombre del grupo de modelos y el nombre de recurso de Amazon (ARN) del grupo de paquetes de modelos. El activo apunta a la colección de modelos subyacente. El activo en sí puede compartirse entre los usuarios.
Los usuarios pueden crear activos para sus propios proyectos. Pueden hacer que sean visibles para los usuarios que no son miembros de esos proyectos. Los usuarios que no son miembros del proyecto pueden buscar en los activos y leer sus metadatos. Pueden usar los metadatos para determinar si desean acceder al origen de datos subyacente.
Para comprender mejor el flujo de trabajo de SageMaker Assets, imagine que tiene dos grupos de usuarios en su organización, el Grupo A y el Grupo B. Los usuarios del Grupo A buscan predecir los precios de las viviendas. Quieren colaborar con los usuarios del Grupo B que están en una cuenta de AWS diferente. Tienen datos de vivienda almacenados en AWS Glue tablas. También tienen diferentes modelos guardados como paquetes de modelos dentro de un grupo de modelos. Con SageMaker Assets, los usuarios del Grupo A pueden compartir sus AWS Glue tablas y paquetes de modelos con los usuarios del Grupo B con unos pocos clics. Los usuarios del Grupo A proporcionaron permisos específicos a los usuarios del Grupo B sin la intervención del administrador.
Los usuarios pueden crear activos y publicarlos para hacer que sean visibles en toda la organización. Otros usuarios pueden solicitar acceso a esos activos.
**Topics**
+ [Configurar SageMaker activos (guía del administrador)](sm-assets-set-up.md)
+ [Trabajo con activos (guía del usuario)](sm-assets-user-guide.md)
# Configurar SageMaker activos (guía del administrador)
**importante**
SageMaker Assets solo está disponible en Amazon SageMaker Studio. Si utilizas Amazon SageMaker Studio Classic, debes migrar a Studio. Para obtener más información sobre Studio o Studio Classic, consulte [Entornos de aprendizaje automático ofrecidos por Amazon SageMaker AI](machine-learning-environments.md). Para obtener información sobre la migración, consulte [Migración desde Amazon SageMaker Studio Classic](studio-updated-migrate.md).
A medida que cambian las necesidades empresariales, sus usuarios deben colaborar de forma eficaz para resolver los problemas empresariales a medida que vayan surgiendo. Para resolverlos, los usuarios deben compartir datos y modelos entre sí.
SageMaker Assets integra Amazon SageMaker Studio con Amazon DataZone, un servicio de gestión de datos. SageMaker Assets es una plataforma que ayuda a los usuarios a compartir modelos y datos entre sí. Puedes usar la siguiente información para configurar la integración entre SageMaker Assets y Amazon DataZone.
Creas un DataZone dominio de Amazon para tu línea de negocio u organización. El *dominio* es la característica principal de Amazon DataZone. Todos los datos y modelos de sus usuarios se encuentran en el dominio.
Dentro del DataZone dominio de Amazon, un subconjunto de tus usuarios trabaja en *proyectos* específicos. Un proyecto suele corresponderse a un problema empresarial concreto. Dentro del proyecto, los miembros pueden crear conjuntos de datos y modelos. De forma predeterminada, los miembros del proyecto solo tienen acceso a los datos y modelos del proyecto. Pueden proporcionar acceso a sus datos y modelos a otros usuarios de la organización.
Dentro del proyecto, se crean entornos. En el SageMaker caso específico de Assets, un entorno es un conjunto de recursos configurados que se utilizan para lanzar Amazon SageMaker Studio. Para obtener más información sobre la terminología utilizada en Amazon DataZone, consulta [Terminología y conceptos](https://docs.aws.amazon.com/datazone/latest/userguide/datazone-concepts.html).
**importante**
En función de la configuración que elijas, Amazon SageMaker Studio utilizará una de las siguientes opciones:
Un dominio de Amazon SageMaker AI que Amazon DataZone crea como parte de su entorno de SageMaker IA.
Tu dominio Amazon SageMaker AI actual que migras a Amazon DataZone
Puedes acceder a Studio desde el dominio Amazon SageMaker AI, pero te recomendamos que accedas a él desde el proyecto que has creado. Para obtener más información sobre cómo obtener acceso a Studio, consulte [Trabajo con activos (guía del usuario)](sm-assets-user-guide.md).
## Configura Amazon DataZone con un nuevo dominio de SageMaker IA
Sigue los pasos de la siguiente lista y la documentación a la que hace referencia para configurar Amazon DataZone con un dominio Amazon SageMaker AI que cree.
1. Crea un DataZone dominio de Amazon que corresponda a la organización o línea de negocio de tus usuarios. Para obtener información sobre cómo crear un DataZone dominio de Amazon, consulta [Crear dominios](https://docs.aws.amazon.com/datazone/latest/userguide/create-domain.html).
1. Habilita el modelo de SageMaker IA en Amazon DataZone. Para obtener información sobre cómo habilitar el blueprint de SageMaker IA, consulta [Habilitar blueprints integrados en la AWS cuenta propietaria del dominio de Amazon DataZone ](https://docs.aws.amazon.com/datazone/latest/userguide/working-with-blueprints.html#enable-default-blueprints).
1. Cree un proyecto dentro del dominio que se corresponda con el problema empresarial que vayan a resolver los usuarios de su dominio. Para obtener más información sobre cómo crear un proyecto de compilación, consulte [Crear un nuevo proyecto](https://docs.aws.amazon.com/datazone/latest/userguide/create-new-project.html).
1. Cree un perfil de entorno que pueda utilizar como plantilla para crear entornos de SageMaker IA para sus usuarios. Para obtener más información sobre la creación de un perfil de entorno, consulte [Creación de un perfil de entorno](https://docs.aws.amazon.com/datazone/latest/userguide/create-environment-profile.html).
1. Cree un entorno de SageMaker IA. Dentro del proyecto, sus usuarios utilizan el entorno de SageMaker IA para lanzar Amazon SageMaker Studio. En Studio, pueden crear activos y usarlos SageMaker para compartirlos. Para obtener más información sobre la creación de un entorno, consulte [Creación de un nuevo entorno](https://docs.aws.amazon.com/datazone/latest/userguide/create-environment-profile.html).
1. Añade la SageMaker IA como uno de los servicios de confianza de Amazon DataZone. Para añadir SageMaker IA como uno de los servicios, consulta [Añadir SageMaker IA como servicio de confianza en la AWS cuenta propietaria del DataZone dominio de Amazon](https://docs.aws.amazon.com/datazone/latest/userguide/working-with-blueprints.html#add-sagemaker-as-trusted-service).
## Configura Amazon DataZone con tu dominio de SageMaker IA
Sigue los pasos de la siguiente lista y la documentación a la que hace referencia para configurar Amazon DataZone con un dominio Amazon SageMaker AI existente.
1. Crea un DataZone dominio de Amazon que corresponda a la organización o línea de negocio de tus usuarios. Para obtener información sobre cómo crear un DataZone dominio de Amazon, consulta [Crear dominios](https://docs.aws.amazon.com/datazone/latest/userguide/create-domain.html).
1. Habilita el modelo de SageMaker IA en Amazon DataZone. Para obtener información sobre cómo habilitar un blueprint personalizado, consulta los [blueprints de AWS servicios DataZone personalizados de Amazon](https://docs.aws.amazon.com/datazone/latest/userguide/working-with-custom-blueprint.html).
1. Cree un proyecto dentro del dominio que se corresponda con el problema empresarial que vayan a resolver los usuarios de su dominio. Para obtener más información sobre cómo crear un proyecto de compilación, consulte [Crear un nuevo proyecto](https://docs.aws.amazon.com/datazone/latest/userguide/create-new-project.html).
1. Habilita la SageMaker IA como uno de los servicios de confianza de Amazon DataZone. Para habilitar la SageMaker IA como uno de los servicios, consulta [Añadir Amazon SageMaker AI como servicio de confianza en la AWS cuenta propietaria del DataZone dominio de Amazon](https://docs.aws.amazon.com/datazone/latest/userguide/working-with-blueprints.html#add-sagemaker-as-trusted-service).
1. Crea DataZone usuarios de Amazon dentro del dominio de SageMaker IA.
1. Incorpora a los usuarios existentes al DataZone dominio de Amazon.
**nota**
Si tus usuarios de SageMaker IA son SSO y tu DataZone dominio de Amazon es SSO, puedes asignar automáticamente los usuarios del dominio Amazon SageMaker AI al dominio de Amazon DataZone.
Para incorporar a los usuarios de SageMaker IA existentes, ejecute el script [Amazon DataZone Import SageMaker AI Domain](https://github.com/aws/amazon-sagemaker-examples/tree/default/%20%20%20ml_ops/sm-datazone_import) en su entorno. Debes pasar tu nombre Región de AWS y el ID de AWS cuenta de tu dominio de Amazon SageMaker AI como argumentos. El siguiente es un ejemplo de AWS CLI comando que ejecuta el script.
```
python example-script Región de AWS 111122223333
```
El script hace lo siguiente:
1. Te pide tu ID de dominio de Amazon SageMaker AI.
1. Te pide tu ID de DataZone dominio de Amazon.
1. Te pide tu DataZone proyecto de Amazon.
1. Le pide que especifique los usuarios que va a importar.
1. Añade etiquetas a tus usuarios y al dominio de Amazon SageMaker AI.
1. Asigne sus DataZone usuarios de Amazon a sus perfiles de usuario de SageMaker IA. Para cada perfil de usuario de SageMaker IA, el script te solicitará un DataZone seudónimo de Amazon. Puede modificar el script para su propio caso de uso.
1. Asigna una función de federación al entorno para que Amazon DataZone pueda acceder a tu dominio de Amazon SageMaker AI y migrarlo.
El script pasa por cada usuario del dominio Amazon SageMaker AI y le pide que especifique el usuario correspondiente en el DataZone dominio de Amazon. Añade automáticamente etiquetas para el usuario del DataZone dominio de Amazon a los usuarios del dominio de SageMaker IA correspondiente. También actualiza el esquema del entorno personalizado con el mapeo entre los usuarios de cada dominio.
**nota**
El entorno de SageMaker IA utiliza la última versión de la imagen de SageMaker distribución. SageMaker AI Distribution Images tiene paquetes de bibliotecas populares para el aprendizaje automático. Para obtener más información, consulte [SageMaker Política de soporte de imágenes de Studio](sagemaker-distribution.md).
Una vez creado el entorno, puede crear tablas AWS Glue y bases de datos de Amazon Redshift. Para obtener más información, consulte [Consulta de datos en Amazon Athena o Amazon Redshift](https://docs.aws.amazon.com/datazone/latest/userguide/query-athena-with-deep-link-in-project.html).
## Visualización y modificación de los permisos de sus usuarios
Tras crear un entorno de SageMaker IA, puede cambiar los permisos de los usuarios para adaptarlos a las necesidades de su organización. El plan de SageMaker IA especifica los permisos para todos los usuarios. Pueden realizar acciones con todos los servicios de SageMaker IA, pero los permisos se limitan a los recursos creados en el DataZone dominio de Amazon.
**importante**
El entorno que cree utiliza un rol de IAM que tiene permisos limitados y un límite de permisos. Para cambiar los permisos de los usuarios, puede modificar o reemplazar el límite de permisos. Por ejemplo, puede cambiar el límite de permisos si sus usuarios necesitan acceder a un recurso, como un bucket de Amazon S3, que se haya creado en el entorno.
Puede ver los permisos en el ARN del rol de IAM utilizado para crear el SageMaker dominio de IA.
Utilice el siguiente procedimiento para ver o editar los permisos del rol de IAM de sus usuarios.
**Visualización o edición de los permisos de sus usuarios**
1. Abre la [consola Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker).
1. Elija **Dominios**.
1. Elige el nombre del dominio que tiene el mismo nombre que tu DataZone dominio de Amazon.
1. Seleccione **Configuración del dominio**.
1. En **Rol de ejecución**, copie el ARN del rol de ejecución.
1. Abra la [consola de IAM](https://console.aws.amazon.com/IAM).
1. Elija **Roles**.
1. Pegue el ARN y elimine todo excepto el nombre del rol que aparece después de la última barra diagonal.
1. Elija el rol para ver los permisos.
1. En **Permisos**, modifique las políticas para adaptarlas a las necesidades de su organización.
1. (Opcional) Seleccione **Límite de permisos** y elija **Establecer límite de permisos**.
1. Seleccione una política para establecerla como límite de permisos.
# Trabajo con activos (guía del usuario)
Usa SageMaker Assets para colaborar sin problemas en proyectos de aprendizaje automático con otras personas de tu organización. Con SageMaker Assets, tus colaboradores y tú creáis y compartís modelos y tablas de datos entre sí. En SageMaker Assets, estos modelos y tablas de datos se conocen como *activos*.
SageMaker Assets es una función de Amazon SageMaker Studio. Usted o su administrador crean un entorno de Studio dentro de un DataZone proyecto de Amazon. Para obtener más información sobre la configuración de Amazon DataZone, consulta[Configurar SageMaker activos (guía del administrador)](sm-assets-set-up.md).
Los activos son activos de ML o activos de datos. Los activos de ML son metadatos que apuntan a lo siguiente:
+ Grupos de características del Almacén de características
+ SageMaker Grupos de modelos de IA
Los grupos de modelos y los grupos de características subyacentes son los orígenes de datos. Si actualiza un grupo de características o un grupo de modelos, el activo del grupo de modelos o el grupo de características se actualiza ese mismo día.
Los activos de datos son metadatos que apuntan a lo siguiente:
+ Tablas de Amazon Redshift
+ AWS Glue tablas
En el caso de los activos de datos, el origen de datos es el mecanismo que extrae los metadatos de las tablas de AWS Glue y de las tablas de Amazon Redshift para llevarlos al activo. Por ejemplo, una fuente de datos extrae los metadatos de una AWS Glue tabla y los coloca en el activo de esa tabla.
Puede hacer que un activo sea visible para todos los miembros de su organización publicándolo. Las personas pueden revisar los metadatos del activo y solicitar acceso. Si les da acceso, tendrán acceso al origen de los datos o la tabla de machine learning subyacente.
Es probable que su administrador le haya dado acceso a los grupos de características, los grupos de modelos y las tablas. De no ser así, consulte la información de [Configurar SageMaker activos (guía del administrador)](sm-assets-set-up.md) para empezar a utilizarlos.
En las siguientes secciones, se proporciona información de referencia para los grupos de características y los grupos de modelos.
## Grupos de características
Amazon SageMaker Feature Store proporciona una ubicación centralizada para ayudarte a almacenar y gestionar tus funciones. Se trata de un repositorio de alto rendimiento que puede utilizar para la ingeniería de características.
En el Almacén de características, las características se almacenan en un grupo de características. Un grupo de características es un conjunto de características relacionadas con un proyecto en el que está trabajando. Por ejemplo, si está trabajando en un proyecto relacionado con la predicción de los precios de viviendas, un grupo de características puede incluir características como la ubicación o el número de dormitorios.
Para obtener más información sobre cómo utilizar los grupos de características para agilizar el proceso de ingeniería de características, consulte [Creación, almacenamiento y uso compartido de características con el Almacén de características](feature-store.md).
## Grupos de modelos
Puede usar grupos de modelos de SageMaker IA en SageMaker Model Registry para organizar y administrar diferentes versiones de sus modelos. Puede comparar las distintas versiones de los modelos para ver cuál funciona mejor para su caso de uso. Para obtener más información sobre SageMaker Model Registry, consulte[Implementación del registro de modelos con el registro de modelos](model-registry.md).
A continuación encontrará información general sobre Amazon Redshift y AWS Glue.
Amazon Redshift es un servicio de almacenamiento de datos a gran escala que proporciona un rendimiento de consultas rápido en conjuntos de datos de gran tamaño. Para obtener más información sobre Amazon Redshift, consulte [Amazon Redshift sin servidor](https://docs.aws.amazon.com/redshift/latest/gsg/new-user-serverless.html).
AWS Glue es un servicio de extracción, transformación y carga (ETL) que puede utilizar para simplificar el proceso de preparación de datos. Para obtener más información AWS Glue, consulte [¿Qué es AWS Glue?](https://docs.aws.amazon.com/glue/latest/dg/what-is-glue.html)
Puede utilizar el editor SQL para conectar AWS Glue las bases de datos de Amazon Redshift y ejecutar consultas. Puede compartir cualquier tabla que cree en el editor de SageMaker Assets. Para obtener más información, consulte [Preparación de los datos con SQL en Studio](sagemaker-sql-extension.md).
**Topics**
+ [Terminología y conceptos](#sm-assets-terminology)
+ [Paso 1: Acceder a SageMaker los activos](#sm-assets-access)
+ [Paso 2: uso compartido de activos y administración del acceso a ellos](#sm-assets-share)
+ [Paso 3: administración de las solicitudes de acceso](#sm-assets-manage-requests)
+ [Paso 4: búsqueda de activos y administración del acceso a ellos](#sm-assets-request-access)
+ [Paso 5: uso de un activo compartido en sus flujos de trabajo de machine learning](#sm-assets-consume)
## Terminología y conceptos
Antes de empezar a usar SageMaker Assets, es útil que te familiarices con la siguiente terminología y conceptos:
+ Activo: metadatos que apuntan a las tablas de datos o modelos que va a compartir. Puede solicitar acceso a un activo que es propiedad de otra persona o compartir su activo con otros. Usted y sus compañeros de equipo acceden al activo y a la tabla de datos subyacente o al modelo asociado a él.
+ Activos suscritos: para solicitar acceso a un activo, debe enviar una solicitud de suscripción. Si se aprueba su solicitud, el activo aparece en los activos suscritos.
+ Activos propios: los activos que ha compartido con sus compañeros de equipo.
+ Catálogo de activos: los activos que has compartido en toda la organización.
## Paso 1: Acceder a SageMaker los activos
Acceda a SageMaker los activos para ver sus activos y compartirlos con otras personas. Utilice la siguiente información para ayudarle a comenzar a utilizarlo.
Accedes a SageMaker Assets desde un *proyecto* dentro de un DataZone dominio de Amazon. Un proyecto es una colaboración entre usted y los miembros de su equipo. Dentro del proyecto, usted y los demás miembros del proyecto tienen acceso a los activos que ustedes y los demás miembros del equipo crean en el catálogo del inventario. Puede publicar los activos en el catálogo publicado para que sean visibles para otras personas de su organización.
Esas personas pueden solicitar acceso a su activo. Si les proporciona acceso, podrán acceder al origen de los datos actualizado. Por ejemplo, si una persona se suscribe a una AWS Glue tabla que actualizas, podrá acceder a la AWS Glue tabla actualizada en tiempo real.
Utilice el siguiente procedimiento para acceder a SageMaker los activos.
**Para acceder a SageMaker los activos**
1. Abre la DataZone consola de [Amazon](https://console.aws.amazon.com/datazone).
1. Seleccione **Ver dominios**.
1. Junto al dominio que contiene su proyecto, elija **Abrir el portal de datos**.
1. En **Herramientas de análisis**, selecciona **SageMaker AI Studio**.
1. Elige **Open Amazon SageMaker AI**.
1. Elija **Activos**.
Los activos que se han compartido con usted aparecen en **Activos suscritos**. Los activos que usted y los miembros de su proyecto crean se incluyen en **Activos propios**. Los activos que usted y los demás miembros de su organización han publicado se encuentran en el **Catálogo de activos**.
## Paso 2: uso compartido de activos y administración del acceso a ellos
Después de crear modelos de machine learning, grupos de características o tablas de datos, puede hacerlos visibles para las personas que colaboran con usted en su proyecto o en su organización en general. Puede responder a las solicitudes de acceso al activo. Si aprueba la solicitud de una persona, esta podrá modificar el origen de los datos subyacentes del activo.
Cuando comparte un activo, tiene dos opciones:
+ Publicarlo en el catálogo de activos: haga que el activo sea visible para todos los miembros de su organización
+ Publicarlo en el inventario: haga que el activo sea visible para todos los que trabajan en su proyecto
Si ha publicado su activo en el catálogo de activos, las personas de su organización pueden encontrarlo en el catálogo de activos. Pueden ver los metadatos de su activo y decidir si desean solicitar acceso a ellos. Si aprueba su solicitud, tendrán acceso al origen de los datos subyacentes.
Si publica en el inventario, usted y los demás miembros del proyecto pueden acceder al activo sin necesidad de realizar ninguna acción adicional.
Los activos publicados en el inventario solo aparecen en **Activos propios**. Los activos publicados en el catálogo aparecen en **Activos propios** y **Catálogo de activos**.
Al publicar una tabla de datos, debe crear una fuente de datos que extraiga los metadatos de la AWS Glue tabla subyacente o de la tabla de Amazon Redshift al activo. Utilice los siguientes procedimientos para publicar una tabla AWS Glue o una tabla de Amazon Redshift.
------
#### [ Publish an AWS Glue table ]
Para publicar un activo para una AWS Glue tabla, debe crear una fuente de datos para él y publicarlo. Una fuente de datos es el mecanismo que extrae los metadatos de la AWS Glue tabla y los coloca en el activo.
Utilice el siguiente procedimiento para publicar una AWS Glue tabla.
**Para publicar una AWS Glue tabla**
1. Navegue hasta la página de inicio de **SageMaker Assets**.
1. Seleccione **Activos propios**.
1. Elija **Ver orígenes de datos**.
1. Elija **Crear origen de datos**.
1. En **Nombre**, especifique un nombre para el origen de datos.
1. En **Descripción**, proporcione una descripción.
1. En **Tipo**, seleccione **AWS Glue**.
1. Para la **selección de datos**, seleccione la base de datos que contiene la AWS Glue tabla.
1. En **Criterios de selección de tablas**, especifique el nombre de la tabla.
**nota**
Aunque puede especificar más de una tabla, le recomendamos encarecidamente que proporcione solo un nombre de tabla.
1. Elija **Siguiente**.
1.
+ En **Publicar un activo en el catálogo**, seleccione **Sí** para publicarlo en el catálogo de activos.
+ En **Publicar un activo en el catálogo**, seleccione **No** para publicarlo en el catálogo de activos.
1. Elija **Siguiente**.
1. En **Detalles del activo**, elija **Ejecutar según una programación** o **Ejecutar bajo demanda** para determinar cómo se incorporan los metadatos de la tabla de AWS Glue al activo.
1. (Opcional) Si elige **Ejecutar según una programación**, especifique la programación que incorpora los metadatos en el activo.
1. Elija **Next (Siguiente)**.
1. Seleccione **Create (Crear)**.
1. (Opcional) Si no ha creado una programación, elija **Ejecutar** para llevar los metadatos de la tabla de AWS Glue al activo.
------
#### [ Publish an Amazon Redshift table ]
Para publicar un activo para una tabla de Amazon Redshift, debe crear un origen de datos para él y publicarlo. Un origen de datos es el mecanismo que extrae los metadatos de la tabla de Amazon Redshift al activo.
Utilice el siguiente procedimiento para publicar una tabla de Amazon Redshift.
**Publicación de una tabla de Amazon Redshift**
1. Navegue hasta la página de inicio de **SageMaker Assets**.
1. Seleccione **Activos propios**.
1. Elija **Ver orígenes de datos**.
1. Elija **Crear origen de datos**.
1. En **Nombre**, especifique un nombre para el origen de datos.
1. En **Descripción**, proporcione una descripción.
1. En **Tipo**, seleccione **Amazon Redshift**.
1.
+ Seleccione **Clúster Redshift**.
1. En **Clúster Redshift**, especifique el nombre del clúster de Amazon Redshift que contiene la base de datos de la tabla.
1. En **Secret**, especifique el nombre del AWS Secrets Manager secreto que contiene las credenciales del clúster.
+ Seleccione **Redshift sin servidor**.
1. En **Grupo de trabajo de Redshift**, especifique el nombre del clúster de Amazon Redshift que contiene la base de datos de la tabla.
1. En **Secreto**, especifique el nombre del AWS Secrets Manager secreto que contiene las credenciales del grupo de trabajo.
1. En **Selección de origen de publicación**, seleccione la base de datos que contiene la tabla de Amazon Redshift.
1. En **Criterios de selección de tablas**, especifique el nombre de la tabla.
**nota**
Aunque puede especificar más de una tabla, le recomendamos encarecidamente que proporcione solo un nombre de tabla.
1. Elija **Siguiente**.
1.
+ En **Publicar un activo en el catálogo**, seleccione **Sí** para publicarlo en el catálogo de activos.
+ En **Publicar un activo en el catálogo**, seleccione **No** para publicarlo en el catálogo de activos.
1. Elija **Siguiente**.
1. En **Detalles del activo**, elija **Ejecutar según una programación** o **Ejecutar bajo demanda** para determinar cómo se incorporan los metadatos de la tabla de Amazon Redshift al activo.
1. (Opcional) Si elige **Ejecutar según una programación**, especifique la programación que incorpora los metadatos en el activo.
1. Elija **Next (Siguiente)**.
1. Seleccione **Create (Crear)**.
1. (Opcional) Si no ha creado una programación, elija **Ejecutar** para incorporar los metadatos de la tabla de Amazon Redshift al activo.
------
Utilice los siguientes procedimientos para publicar un activo para un grupo de características o un grupo de paquetes de modelos.
------
#### [ Publish a feature group ]
Utilice el siguiente procedimiento para navegar hasta un grupo de características que haya creado y publicarlo en sus activos propios o en su catálogo de activos.
**Publicación del grupo de características en sus activos propios o su catálogo de activos**
1. En Studio, seleccione **Datos** en la barra de navegación de la izquierda.
1. Seleccione el grupo de características que va a publicar.
1. Seleccione el icono ![\[\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/sm-assets-publish-icon.png).
1.
+ Seleccione **Publicar en el catálogo de activos** para publicarlo en el catálogo de activos.
+ Seleccione **Publicar en el inventario** para publicarlo en los activos propiedad de su grupo.
------
#### [ Publish a model group ]
Utilice el siguiente procedimiento para navegar hasta un grupo de modelos que haya creado y publicarlo en sus activos propios o en su catálogo de activos.
**Publicación del grupo de modelos en sus activos propios o su catálogo de activos**
1. En Studio, seleccione **Modelos** en la barra de navegación de la izquierda.
1. Seleccione el grupo de modelos que va a publicar.
1. Seleccione el icono ![\[\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/sm-assets-publish-icon.png).
1.
+ Seleccione **Publicar en el catálogo de activos** para publicarlo en el catálogo de activos.
+ Seleccione **Publicar en el inventario** para publicarlo en los activos propiedad de su grupo.
------
Utilice el siguiente procedimiento para publicar un activo de sus activos propios en el catálogo de activos.
**Para publicar un activo desde la página SageMaker Activos**
1. En Studio, vaya a **Activos**.
1. Seleccione **Activos propios**.
1. Especifique el nombre del activo en la barra de búsqueda.
1. Elija el activo.
1. Elija **Publicar**.
Puede usar el siguiente código del SDK de SageMaker Python para publicar un grupo de características o un grupo de paquetes de modelos. El código supone que ya ha creado el grupo de características o el grupo de paquetes de modelos.
```
from sagemaker.asset import AssetManager
publisher = AssetPublisher()
publisher.publish_to_catalog(name-of-your-feature-group-or-model-package)
```
## Paso 3: administración de las solicitudes de acceso
Después de publicar un activo, es posible que los usuarios ajenos al proyecto quieran acceder a él. Puede proporcionar, rechazar o revocar solicitudes de acceso. También puede eliminar activos para que solo usted pueda acceder al origen de los datos subyacentes.
Utilice el procedimiento siguiente para responder a las solicitudes de suscripción.
**Aprobación de solicitudes de suscripción**
1. Navegue a la página de **SageMaker activos**.
1. Seleccione **Administrar activos**.
1. Seleccione **Solicitudes de suscripción entrantes**.
1.
+ (Opcional) Seleccione **Aprobar** e indique el motivo.
+ (Opcional) Seleccione **Rechazar**.
También puede revocar el acceso a un recurso que ha aprobado previamente. Si decide revocar el acceso, los usuarios perderán el acceso tanto al activo como al origen del activo subyacente. Utilice el siguiente procedimiento para revocar el acceso.
**Revocación del acceso**
1. Navegue a la página de **SageMaker activos**.
1. Seleccione **Administrar activos**.
1. Seleccione **Solicitudes de suscripción entrantes**.
1. Seleccione la pestaña **Aprobado**.
1. Seleccione **Revocar** junto al activo.
También puede anular la publicación de los activos para que solo aparezcan como activos propios. Los activos no serán visibles en el catálogo de recursos, pero las personas cuyas solicitudes de suscripción haya aprobado podrán seguir accediendo a ellos.
**Anulación de la publicación de un activo**
1. Navegue a la página de **SageMaker activos**.
1. En **Recursos propios**, seleccione el recurso del que va a anular la publicación.
1. Elija **Unpublish (Anular publicación)**.
También puede eliminar los activos de la misma página en la que anuló su publicación. Al eliminar un activo, no se elimina el origen de los datos. La eliminación de un activo solo hace que el activo deje de ser visible para los demás miembros de su proyecto u organización.
## Paso 4: búsqueda de activos y administración del acceso a ellos
Puede solicitar el acceso a los activos que otros usuarios han publicado en el catálogo de recursos. Si aprueban la solicitud de suscripción, tendrá acceso al origen de los datos subyacentes.
En la parte superior de la página SageMaker Activos, puede especificar una consulta de búsqueda para encontrar los activos que otros usuarios de su organización hayan publicado. También puede seleccionar un tipo de activo para ver todos los activos publicados de ese tipo. Por ejemplo, puede seleccionar **Tabla de Glue** para ver todas las tablas de AWS Glue publicadas.
También puede ver el tipo de activo directamente debajo del nombre del activo. Los nombres disponibles para los tipos de activos son los siguientes:
+ Tabla de Redshift
+ Tabla de Glue
+ Modelos
+ Grupo de características
**nota**
Los grupos de características de las siguientes tiendas son del tipo **Tabla de Glue**:
Sin conexión
Sin conexión y en línea
**Realización de una solicitud de suscripción**
1. Navegue a la página **SageMaker Activos**.
1.
+ En la barra de búsqueda, especifique el nombre del recurso y elija **Buscar**.
+ En **Tipos**, seleccione el tipo de activo y busque un activo al que vaya a acceder en el catálogo de recursos.
1. Elija el activo.
1. Seleccione **Suscribirse**.
1. Indique el motivo de la solicitud.
1. Seleccione **Enviar**.
Su solicitud de suscripción aparece en **Solicitudes de suscripción salientes**, en **Administrar solicitudes de activos**. Si el publicador del activo aprueba su solicitud, aparecerá en **Activos suscritos**. Ahora puede usar la fuente de datos de Amazon Redshift, AWS Glue la tabla o el aprendizaje automático en sus flujos de trabajo de aprendizaje automático.
## Paso 5: uso de un activo compartido en sus flujos de trabajo de machine learning
Si se aprueba su solicitud de suscripción a un activo, puede usarla en sus flujos de trabajo de machine learning.
Los grupos de características a los que se le ha dado acceso aparecen en la lista de grupos de características de Studio.
Los grupos de modelos a los que se le ha dado acceso aparecen en la lista de grupos de modelos de Studio. Puede abrir su grupo de modelos en el registro de modelos desde SageMaker Assets. Utilice el siguiente procedimiento para abrir el grupo de modelos en el registro de modelos. **Activos suscritos**.
**Para abrir un grupo de modelos desde SageMaker Activos**
1. Seleccione el grupo de modelos.
1. Seleccione **Abrir en registro de modelos**.
Puede acceder a nuestras AWS Glue tablas de Amazon Redshift en Data Wrangler en Canvas. SageMaker SageMaker Canvas es una aplicación que le permite realizar análisis exploratorios de datos (EDA) y entrenar modelos sin necesidad de código. Para obtener más información sobre SageMaker Canvas, consulte[Amazon SageMaker Lienzo](canvas.md).
También puede llevar los datos de sus tablas AWS Glue o de Amazon Redshift a sus cuadernos de Jupyter mediante la extensión SQL. Puede convertir sus datos en marcos de datos de pandas para sus flujos de trabajo de machine learning. Para obtener más información, consulte [Preparación de los datos con SQL en Studio](sagemaker-sql-extension.md).
# Panel de SageMaker modelos de Amazon
Amazon SageMaker Model Dashboard es un portal centralizado, al que se puede acceder desde la consola de SageMaker IA, donde puede ver, buscar y explorar todos los modelos de su cuenta. Puede realizar un seguimiento de los modelos que se implementan para realizar inferencias y si se utilizan en trabajos de transformación por lotes o si se alojan en puntos de conexión. Si configura los monitores con Amazon SageMaker Model Monitor, también podrá realizar un seguimiento del rendimiento de sus modelos a medida que realizan predicciones en tiempo real a partir de datos en tiempo real. Puede utilizar el panel para buscar modelos que infrinjan los umbrales que haya establecido en cuanto a la calidad de los datos, la calidad del modelo, el sesgo y la explicabilidad. La presentación completa del panel de todos los resultados del monitor le ayuda a identificar rápidamente los modelos que no tienen configuradas estas métricas.
El panel de control del modelo agrega información relacionada con el modelo a partir de varias SageMaker funciones de IA. Además de los servicios proporcionados en el monitor de modelos, puede ver las tarjetas de modelos, visualizar el linaje del flujo de trabajo y realizar un seguimiento del rendimiento de sus puntos de conexión. Ya no tiene que ordenar los registros, realizar consultas en cuadernos ni acceder a otros AWS servicios para recopilar los datos que necesita. Con una experiencia de usuario coherente e integrada en los servicios existentes, el panel de control de modelos de SageMaker AI proporciona una solución de gobierno de out-of-the-box modelos que le ayuda a garantizar una cobertura de calidad en todos sus modelos.
**Requisitos previos**
Para utilizar el panel de modelos, debe tener uno o más modelos en su cuenta. Puedes entrenar modelos con Amazon SageMaker AI o importar modelos que hayas entrenado en otro lugar. Para crear un modelo en SageMaker IA, puede usar la `CreateModel` API. Para obtener más información, consulte [CreateModel](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html). También puede usar entornos de aprendizaje SageMaker automático proporcionados por IA, como Amazon SageMaker Studio Classic, que proporciona plantillas de proyectos que configuran el entrenamiento y la implementación de modelos para usted. Para obtener información sobre cómo empezar a usar Studio Classic, consulte [Amazon SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/studio.htm).
Si bien este no es un requisito previo obligatorio, los clientes obtienen el máximo provecho del panel si configuran los trabajos de monitoreo de modelos con SageMaker Model Monitor para los modelos implementados en los puntos finales. Para ver los requisitos previos y las instrucciones sobre cómo utilizar SageMaker Model Monitor, consulte. [Supervisión de la calidad de los datos y los modelos con Amazon SageMaker Model Monitor](model-monitor.md)
## Elementos del panel de modelos
La vista del panel de modelos extrae detalles de alto nivel de cada modelo para ofrecer un resumen completo de cada uno de los modelos de su cuenta. Si su modelo se implementa para realizar inferencias, el panel le ayuda a realizar un seguimiento del rendimiento del modelo y del punto de conexión en tiempo real.
Entre los detalles importantes que cabe destacar en esta página se incluyen los siguientes:
+ **Clasificación de riesgo**: parámetro especificado por el usuario de la tarjeta de modelo con un valor **bajo**, **medio** o **alto**. La clasificación del riesgo de la tarjeta de modelo es una medida categórica del impacto empresarial de las predicciones del modelo. Los modelos se utilizan para una variedad de aplicaciones empresariales, cada una de las cuales conlleva un nivel de riesgo diferente. Por ejemplo, la detección incorrecta de un ciberataque tiene un impacto empresarial mucho mayor que la categorización incorrecta de un correo electrónico. Si no conoce el riesgo del modelo, puede configurarlo como **desconocido**. Para obtener información sobre las tarjetas SageMaker modelo de Amazon, consulte [Tarjetas modelo](https://docs.aws.amazon.com/sagemaker/latest/dg/model-cards.html).
+ Alertas de Model Monitor: Las alertas de Model Monitor son el objetivo principal del panel de control de modelos, y revisar la documentación existente sobre los distintos monitores proporcionados por la SageMaker IA es una forma útil de empezar. Para obtener una explicación detallada de la función SageMaker Model Monitor y ejemplos de cuadernos, consulte[Supervisión de la calidad de los datos y los modelos con Amazon SageMaker Model Monitor](model-monitor.md).
El panel de modelos muestra los valores de estado del monitor del modelo según los siguientes tipos de monitor:
+ *Calidad de los datos*: compara los datos en tiempo real con los datos de entrenamiento. Si divergen, es posible que las inferencias del modelo ya no sean precisas. Para obtener información adicional sobre el monitor de calidad de los datos, consulte [Calidad de datos](model-monitor-data-quality.md).
+ *Calidad del modelo*: compara las predicciones que hace el modelo con las etiquetas Ground Truth reales que el modelo intenta predecir. Para obtener información adicional sobre el monitor de calidad del modelo, consulte [Calidad de modelo](model-monitor-model-quality.md).
+ *Desviación de sesgo*: compara la distribución de los datos en tiempo real con los datos de entrenamiento, lo que también puede provocar predicciones inexactas. Para obtener información adicional sobre el monitor de desviación de sesgo, consulte [Desviación de sesgo de modelos en producción](clarify-model-monitor-bias-drift.md).
+ *Desviación de la atribución de características*: también conocida como desviación de explicabilidad. Compara las clasificaciones relativas de sus características en los datos de entrenamiento con los datos en tiempo real, lo que también podría deberse a una desviación de sesgo. Para obtener información adicional sobre el monitor de desviación de la atribución de características, consulte [Desviación en la atribución de características de los modelos en producción](clarify-model-monitor-feature-attribution-drift.md).
El estado de cada monitor del modelo es uno de los siguientes valores:
+ **Ninguno**: no hay ningún monitor programado
+ **Inactivo**: se programó un monitor, pero se desactivó
+ **Correcto**: un monitor está programado y activo, y no ha detectado el número necesario de infracciones en las últimas ejecuciones de un monitor de modelo como para generar una alerta
+ Hora y fecha: un monitor activo emitió una alerta a la hora y fecha especificadas
+ **Punto de conexión**: los puntos de conexión que alojan el modelo para su inferencia en tiempo real. En el panel de modelos, puede seleccionar la columna de puntos de conexión para ver las métricas de rendimiento, como el uso de la CPU, la GPU, el disco y la memoria de sus puntos de conexión en tiempo real, lo que le ayudará a realizar un seguimiento del rendimiento de sus instancias de computación.
+ **Trabajo de transformación por lotes**: el trabajo de transformación por lotes más reciente que se ejecutó con este modelo. Esta columna le ayuda a determinar si un modelo se utiliza activamente para la inferencia por lotes.
+ Detalles del modelo: cada entrada del panel enlaza con una página de detalles del modelo, donde puede profundizar en un modelo individual. Puede acceder al gráfico de linaje del modelo, que visualiza el flujo de trabajo desde la preparación de los datos hasta la implementación, y a los metadatos de cada paso. También puede crear y ver la tarjeta de modelo, revisar los detalles y el historial de las alertas, evaluar el rendimiento de sus puntos de conexión en tiempo real y acceder a otros detalles relacionados con la infraestructura.
# Programaciones y alertas del Monitor de modelos
Con el SDK de Python, puede crear un monitor de modelo para la calidad de los datos, la calidad del modelo, la desviación de sesgo o la desviación de la atribución de características. Para obtener más información sobre el uso de SageMaker Model Monitor, consulte[Supervisión de la calidad de los datos y los modelos con Amazon SageMaker Model Monitor](model-monitor.md). El panel del modelo rellena la información de todos los monitores que cree en todos los modelos de su cuenta. Puede realizar un seguimiento del estado de cada monitor, lo que indica si su monitor funciona según lo esperado o si ha habido problemas debido a un error interno. También puede activar o desactivar cualquier monitor en la propia página de detalles del modelo. Para obtener instrucciones acerca de cómo ver los monitores programados de un modelo, consulte [Ver monitores programados](model-dashboard-schedule-view.md). Para obtener instrucciones acerca de cómo activar o desactivar los monitores de modelos, consulte [Activar o desactivar un monitor de modelos](model-dashboard-schedule-activate.md).
Un monitor de modelos configurado correctamente y que funcione de forma activa podría generar alertas, en cuyo caso las ejecuciones de supervisión generarían informes de infracciones. Para obtener más información sobre cómo funcionan las alertas y cómo ver los resultados de las alertas, el historial y los enlaces a los informes de trabajos para su depuración, consulte [Ver y editar alertas](model-dashboard-alerts.md).
# Ver monitores programados
Use SageMaker Model Monitor para monitorear continuamente sus modelos de aprendizaje automático para detectar desviaciones de datos, calidad del modelo, sesgos y otros problemas que puedan afectar al rendimiento del modelo. Una vez que haya configurado los programas de monitoreo, puede ver los detalles de estos monitores programados a través de la consola de SageMaker IA. El siguiente procedimiento describe los pasos para acceder a los monitores programados y revisarlos para un modelo concreto, incluido su estado actual:
**Visualización de los monitores de programados de un modelo**
1. Abre la [consola de SageMaker IA](https://console.aws.amazon.com/sagemaker/).
1. Elija **Gobernanza** en el panel izquierdo.
1. Elija **Panel de modelos**.
1. En la sección **Modelos** del panel de modelos, seleccione el nombre de los monitores de modelos programados que desee ver.
1. Vea los monitores programados en la sección **Programación de monitor**. Puede revisar el estado de cada monitor en la columna **Programación de estado**, que es uno de los siguientes valores:
+ **Error**: la programación de supervisión produjo un error debido a un problema con la configuración o los ajustes (como permisos de usuario incorrectos).
+ **Pendiente**: el monitor está en proceso de programarse.
+ **Detenido**: el usuario detiene la programación.
+ **Programado**: el programa se crea y se ejecuta con la frecuencia especificada.
# Activar o desactivar un monitor de modelos
Utilice el siguiente procedimiento para activar o desactivar un monitor de modelo.
**Para activar o desactivar un monitor de modelos, siga estos pasos:**
1. Abre la [consola de SageMaker IA](https://console.aws.amazon.com/sagemaker/).
1. Elija **Gobernanza** en el panel izquierdo.
1. Elija **Panel de modelos**.
1. En la sección **Modelos** del panel del modelo, seleccione el nombre del modelo de la alerta que desee modificar.
1. Seleccione la casilla de opción situada junto a la programación del monitor de la alerta que desee modificar.
1. De forma opcional, seleccione **Desactivar la programación del monitor** si desea desactivar la programación del monitor.
1. De forma opcional, seleccione **Activar la programación del monitor** si desea activar la programación del monitor.
# Ver y editar alertas
El panel de control del modelo muestra las alertas que configuraste en Amazon CloudWatch. Puede modificar los criterios de la alerta en el propio panel. Los criterios de la alerta dependen de dos parámetros:
+ **Puntos de datos sobre los que emitir una alerta**: durante el período de evaluación, cuántos errores de ejecución generan una alerta.
+ **Período de evaluación**: el número de ejecuciones de supervisión más recientes que se deben tener en cuenta al evaluar el estado de la alerta.
La siguiente imagen muestra un escenario de ejemplo de una serie de ejecuciones del monitor de modelos en el que se establece un **Período de evaluación** hipotético de 3 y un valor de alerta de **Puntos de datos sobre los que emitir una alerta** de 2. Después de cada ejecución de supervisión, se cuenta el número de errores dentro del **Período de evaluación** de 3. Si el número de errores alcanza o supera los **Puntos de datos sobre los que emitir una alerta** de 2, el monitor emite una alerta y permanece en estado de alerta hasta que el número de errores durante el **Período de evaluación** pase a ser inferior a 2 en las siguientes iteraciones. En la imagen, los intervalos de evaluación aparecen en rojo cuando el monitor emite una alerta o permanece en estado de alerta, y en verde en caso contrario.
Tenga en cuenta que, incluso si el tamaño del intervalo del **Período de evaluación** no ha alcanzado el valor de 3, como se muestra en las dos primeras filas de la imagen, el monitor sigue emitiendo una alerta si el número de errores alcanza o supera el valor de 2 de los **Puntos de datos sobre los que emitir una alerta**.
![\[Una secuencia de siete ejemplos de ejecuciones de supervisión.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/model_monitor/model-dashboard-alerts-window.png)
En la página de detalles del monitor, puede ver su historial de alertas, editar los criterios de alerta existentes y ver los informes de trabajos para ayudarle a depurar los errores de alerta. Para obtener instrucciones sobre cómo ver el historial de alertas o los informes de los trabajos de ejecuciones de supervisión con errores, consulte [Ver el historial de alertas o los informes de trabajo](model-dashboard-alerts-view.md). Para obtener instrucciones acerca de cómo editar los criterios de las alertas, consulte [Editar los criterios de las alertas](model-dashboard-alerts-edit.md).
# Ver el historial de alertas o los informes de trabajo
**Para ver el historial de alertas o los informes de trabajos de ejecuciones con errores, complete los pasos siguientes:**
1. Abre la [consola de SageMaker IA](https://console.aws.amazon.com/sagemaker/).
1. Elija **Gobernanza** en el panel izquierdo.
1. Elija **Panel de modelos**.
1. En la sección **Modelos** del panel de modelos, seleccione el nombre del modelo del historial de alertas que desee ver.
1. En la columna **Nombre de la programación**, seleccione el nombre del monitor del historial de alertas que desee ver.
1. Para ver el historial de alertas, seleccione la pestaña **Historial de alertas**.
1. De forma opcional, para ver los informes de trabajos de las ejecuciones de supervisión, complete los pasos siguientes:
1. En la pestaña **Historial de alertas**, seleccione **Ver ejecuciones** para la alerta que desee investigar.
1. En la tabla **Historial de ejecuciones**, seleccione **Ver informe** de la ejecución de supervisión que desee investigar.
**El informe muestra la siguiente información:**
+ **Característica**: la característica de ML definida por el usuario supervisada
+ **Restricción**: la comprobación específica dentro del monitor
+ **Detalles de infracciones**: información sobre el motivo por el que se ha infringido la restricción
# Editar los criterios de las alertas
**Para editar una alerta en el panel de modelos, complete los pasos siguientes:**
1. Abre la [consola de SageMaker IA](https://console.aws.amazon.com/sagemaker/).
1. Elija **Gobernanza** en el panel izquierdo.
1. Elija **Panel de modelos**.
1. En la sección **Modelos** del panel del modelo, seleccione el nombre del modelo de la alerta que desee modificar.
1. Seleccione la casilla de opción situada junto a la programación del monitor de la alerta que desee modificar.
1. Elija **Editar alerta** en la sección **Programación de monitor**.
1. De forma opcional, cambie **Puntos de datos sobre los que emitir una alerta** si desea cambiar el número de errores dentro del **Período de evaluación** que inicia una alerta.
1. De forma opcional. cambie el **Período de evaluación** si desea cambiar el número de ejecuciones de supervisión más recientes que se deben tener en cuenta al evaluar el estado de la alerta.
# Ver un gráfico de linaje del modelo
Cuando entrena un modelo, Amazon SageMaker AI crea una visualización de todo su flujo de trabajo de aprendizaje automático, desde la preparación de los datos hasta la implementación. Esta visualización se denomina gráfico de linaje del modelo. En la siguiente página, se describe cómo ver un gráfico de linaje de modelos en la consola de SageMaker IA.
Los gráficos de linaje del modelo utilizan entidades para representar los pasos individuales de su flujo de trabajo. Por ejemplo, un gráfico de linaje de un modelo básico puede tener una entidad que represente su conjunto de entrenamiento, que esté asociada a una entidad que represente su trabajo de entrenamiento y que esté asociada a otra entidad que represente su modelo. Además, el gráfico almacena información acerca de cada paso de su flujo de trabajo. Con esta información, puede recrear cualquier paso del flujo de trabajo o realizar un seguimiento del linaje del modelo y del conjunto de datos. Por ejemplo, SageMaker AI Lineage almacena el URI S3 de las fuentes de datos de entrada en cada trabajo para que pueda realizar un análisis más detallado de las fuentes de datos a fin de verificar su conformidad.
Si bien el gráfico de linaje del modelo puede ayudarte a ver los pasos de los flujos de trabajo individuales, hay muchas otras capacidades que puedes aprovechar con el AWS SDK. Por ejemplo, con el AWS SDK puede crear o consultar sus entidades. Para obtener más información sobre el conjunto completo de funciones de SageMaker AI Lineage y ejemplos de cuadernos, consulte. [Seguimiento del linaje de Amazon SageMaker ML](lineage-tracking.md)
# Introducción a las entidades
Amazon SageMaker AI crea automáticamente entidades de seguimiento para trabajos, modelos, paquetes de modelos y puntos finales de SageMaker IA si los datos están disponibles. Para un flujo de trabajo básico, supongamos que entrena un modelo con un conjunto de datos. SageMaker La IA genera automáticamente un gráfico de linaje con tres entidades:
+ **Dataset**: tipo de artefacto, que es una entidad que representa un objeto o dato direccionable mediante un URI. Por lo general, un artefacto es una entrada o una salida de un componente o acción de prueba.
+ **TrainingJob**: Un tipo de componente de prueba, que es una entidad que representa los trabajos de procesamiento, formación y transformación.
+ **Model**: otro tipo de artefacto. Al igual que el artefacto **Dataset**, un **Model** es un objeto direccionable mediante un URI. En este caso, es un resultado del componente de **TrainingJob**prueba.
El gráfico de linaje del modelo se amplía rápidamente si se agregan pasos adicionales al flujo de trabajo, como el preprocesamiento o postprocesamiento de datos, si se implementa el modelo en un punto de conexión o si se incluye el modelo en un paquete de modelos, entre muchas otras posibilidades. Para ver la lista completa de entidades de SageMaker IA, consulte[Seguimiento del linaje de Amazon SageMaker ML](lineage-tracking.md).
## Propiedades de la entidad
Cada nodo del gráfico muestra el tipo de entidad, pero puede elegir los puntos suspensivos verticales situados a la derecha del tipo de entidad para ver detalles específicos relacionados con su flujo de trabajo. En nuestro gráfico básico de linaje anterior, puedes elegir los puntos suspensivos verticales situados junto **DataSet**a ellos para ver los valores específicos de las siguientes propiedades (comunes a todas las entidades de artefactos):
+ **Nombre**: el nombre del conjunto de datos.
+ **URI de origen**: la ubicación en Amazon S3 de su conjunto de datos.
Para la entidad `TrainingJob`, puede ver los valores específicos de las siguientes propiedades (comunes a todas las entidades `TrialComponent`):
+ **Nombre**: el nombre del trabajo de entrenamiento.
+ **ARN del trabajo**: el nombre de recurso de Amazon (ARN) de su trabajo de entrenamiento.
En el caso de la entidad **modelo**, verás las mismas propiedades que aparecen en la lista, **DataSet**ya que ambas son entidades de artefactos. Para obtener una lista de las entidades y sus propiedades asociadas, consulte [Entidades de seguimiento de linaje](lineage-tracking-entities.md).
## Consultas de entidades
Amazon SageMaker AI genera automáticamente gráficos de entidades de linaje a medida que las usa. Sin embargo, si está realizando muchas iteraciones de un experimento y no quiere ver todos los gráficos de linaje, el AWS SDK puede ayudarle a realizar consultas en todos sus flujos de trabajo. Por ejemplo, puede consultar las entidades de linaje para ver todos los trabajos de procesamiento que utilizan un punto de conexión. O bien, puede ver todos los registros posteriores que utilizan un artefacto. Para obtener una lista de todas las consultas que puede realizar, consulte [Consulta de entidades de linaje](querying-lineage-entities.md).
## Ver un gráfico de linaje del modelo
**Para ver el gráfico de linaje de un modelo, complete los pasos siguientes:**
1. Abre la consola de [SageMaker IA](https://console.aws.amazon.com/sagemaker/).
1. Elija **Gobernanza** en el panel izquierdo.
1. Elija **Panel de modelos**.
1. En la sección **Modelos** del panel de modelos, seleccione el nombre del modelo del gráfico de linaje que desee ver.
1. Seleccione **Ver el linaje** en la sección **Información general del modelo**.
# Ver el estado del punto de conexión
Si desea utilizar su modelo entrenado para realizar inferencias sobre datos en tiempo real, implemente su modelo en un punto de conexión en tiempo real. Para garantizar la latencia adecuada de sus predicciones, debe asegurarse de que las instancias que alojan su modelo se ejecuten de manera eficiente. La característica de supervisión de puntos de conexión del panel de modelos muestra información en tiempo real sobre la configuración de los puntos de conexión y le ayuda a realizar un seguimiento del rendimiento de los puntos de conexión mediante métricas.
**Configuración del monitor**
El panel de control del modelo enlaza con las páginas de detalles de los puntos finales de SageMaker IA existentes, que muestran gráficos en tiempo real de las métricas que puedes seleccionar en Amazon CloudWatch. En su panel, puede realizar un seguimiento de estas métricas mientras su punto de conexión administra las solicitudes de inferencia en tiempo real. A continuación se indican algunas de las métricas que puede seleccionar:
+ `CpuUtilization`: la suma de la utilización de cada núcleo de CPU individual, con un intervalo entre el 0 % y el 100 %.
+ `MemoryUtilization`: el porcentaje de memoria de GPU que utilizan los contenedores en una instancia, con un intervalo entre el 0 % y el 100 %.
+ `DiskUtilization`: el porcentaje de espacio del disco que utilizan los contenedores en una instancia, con un intervalo entre el 0 % y el 100 %.
Para ver la lista completa de métricas que puede ver en tiempo real, consulte [Métricas de Amazon SageMaker AI en Amazon CloudWatch](monitoring-cloudwatch.md).
**Configuración del tiempo de ejecución**
Amazon SageMaker AI admite el escalado automático (autoescalado) para sus modelos alojados. El escalado automático ajusta dinámicamente el número de instancias aprovisionadas para un modelo en respuesta a los cambios en su carga de trabajo. Cuando la carga de trabajo aumenta, el escalado automático proporciona más instancias en línea. Cuando la carga de trabajo desciende, el escalado automático quita las instancias innecesarias, a fin de que no pague por las instancias aprovisionadas que no utiliza. Puede personalizar los siguientes ajustes de tiempo de ejecución en el panel de modelos:
+ *Actualizar ponderaciones*: cambie la cantidad de carga de trabajo asignada a cada instancia con una ponderación numérica. Para obtener más información sobre la ponderación de instancias durante el escalado automático, consulte [Configure instance weighting for Amazon EC2 Auto Scaling](https://docs.aws.amazon.com/autoscaling/ec2/userguide/ec2-auto-scaling-mixed-instances-groups-instance-weighting.html).
+ *Actualizar recuento de instancias*: cambie el número total de instancias que pueden atender su carga de trabajo a medida que aumente.
Para obtener más información sobre la configuración del tiempo de ejecución de los terminales, consulte [CreateEndpointConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateEndpointConfig.html).
**Ajustes de configuración del punto de conexión**
Los ajustes de configuración del punto de conexión muestran los ajustes que especificó al crear el punto de conexión. Esta configuración indica a la SageMaker IA qué recursos debe aprovisionar para su punto final. Algunos ajustes incluidos son los siguientes:
+ *Captura de datos*: puede optar por capturar información sobre las entradas y salidas de su punto de conexión. Por ejemplo, es posible que desee muestrear el tráfico entrante para ver si los resultados se correlacionan con los datos de entrenamiento. Puede personalizar la frecuencia de muestreo, el formato de los datos almacenados y la ubicación de los datos almacenados en Amazon S3. Para obtener más información acerca de la configuración de captura de datos, consulte [Captura de datos](model-monitor-data-capture.md).
+ *Variantes de producción*: consulte el análisis anterior en *Configuración del tiempo de ejecución*.
+ *Configuración de invocación asíncrona*: si su punto de conexión es asíncrono, en esta sección se incluye el número máximo de solicitudes simultáneas enviadas por el cliente de SageMaker IA al contenedor modelo, la ubicación en Amazon S3 de sus notificaciones de éxito y error y la ubicación de salida de las salidas de su punto final. Para obtener más información acerca de las salidas asincrónicas, consulte [Operaciones de punto de conexión asíncronas](async-inference-create-invoke-update-delete.md).
+ *Clave de cifrado*: puede introducir su clave de cifrado si quiere cifrar los resultados.
Para obtener más información sobre los ajustes de configuración de los puntos finales, consulte. [CreateEndpointConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateEndpointConfig.html)
## Vea el estado y la configuración de un punto de conexión
**Para ver el estado y la configuración del punto de conexión de un modelo, complete los pasos siguientes:**
1. Abra la [consola de SageMaker IA](https://console.aws.amazon.com/sagemaker/).
1. Elija **Gobernanza** en el panel izquierdo.
1. Elija **Panel de modelos**.
1. En la sección **Modelos** del panel de modelos, seleccione el nombre del modelo del punto de conexión que desee ver.
1. Seleccione el nombre del punto de conexión en la sección **Puntos de conexión**.
# Preguntas frecuentes del panel de modelos
Consulta los siguientes temas de preguntas frecuentes para obtener respuestas a las preguntas más frecuentes sobre Amazon SageMaker Model Dashboard.
## P: ¿Qué es el panel de modelos?
Amazon SageMaker Model Dashboard es un repositorio centralizado de todos los modelos creados en tu cuenta. Por lo general, los modelos son el resultado de trabajos de SageMaker formación, pero también puede importar modelos entrenados en otros lugares y alojarlos en SageMaker IA. El panel de control de modelos proporciona una interfaz única para que los administradores de TI, los administradores de riesgos relacionados con los modelos y los líderes empresariales realicen un seguimiento de todos los modelos implementados y agrega datos de varios AWS servicios para proporcionar indicadores sobre el rendimiento de sus modelos. Puede ver los detalles sobre los puntos de conexión del modelo, los trabajos de transformación por lotes y los trabajos de supervisión para obtener información adicional sobre el rendimiento del modelo. La pantalla visual del panel ayuda a identificar rápidamente qué modelos carecen de monitores o tienen monitores inactivos, de modo que puede garantizar que todos los modelos se comprueben periódicamente para detectar desviaciones de datos, desviaciones del modelo, desviaciones de sesgo y desviaciones de atribución de características. Por último, el fácil acceso del panel a los detalles del modelo le ayuda a profundizar para que pueda acceder a los registros, la información relacionada con la infraestructura y los recursos que le ayudarán a depurar los errores de supervisión.
## P: ¿Cuáles son los requisitos previos para usar el panel de modelos?
Debe tener uno o más modelos creados en SageMaker IA, ya sea entrenados en SageMaker IA o entrenados externamente. Si bien este no es un requisito previo obligatorio, obtendrá el máximo valor del panel de control si configura los trabajos de monitoreo de modelos a través de Amazon SageMaker Model Monitor para los modelos implementados en los puntos de conexión.
## P: ¿Quién debe usar el panel de modelos?
Los administradores de riesgos de los modelos, los profesionales del ML, los científicos de datos y los líderes empresariales pueden obtener una visión general completa de los modelos mediante el panel de modelos. El panel de control agrega y muestra datos de los servicios Amazon SageMaker Model Cards, Endpoints y Model Monitor para mostrar información valiosa, como los metadatos del modelo de la tarjeta de modelo y el registro del modelo, los puntos finales en los que se implementan los modelos y la información obtenida de la supervisión de modelos.
## P: ¿Cómo se usa el Panel de modelos?
El panel de control de modelos está disponible de fábrica con Amazon SageMaker AI y no requiere ninguna configuración previa. Sin embargo, si ha configurado trabajos de supervisión de modelos mediante SageMaker Model Monitor y Clarify, utilizará Amazon CloudWatch para configurar alertas que muestren una señal en el panel de control cuando el rendimiento del modelo se desvíe de un rango aceptable. Puede crear y agregar nuevas tarjetas de modelos al panel y ver todos los resultados de la supervisión asociados a los puntos de conexión. Actualmente, el panel de modelos no admite modelos entre cuentas.
## P: ¿Qué es Amazon SageMaker Model Monitor?
Con Amazon SageMaker Model Monitor, puede seleccionar los datos que desea supervisar y analizar sin necesidad de escribir código. SageMaker Model Monitor le permite seleccionar datos, como el resultado de una predicción, de un menú de opciones y captura metadatos como la marca de tiempo, el nombre del modelo y el punto final para que pueda analizar las predicciones del modelo. Puede especificar la frecuencia de muestreo de la captura de datos como un porcentaje del tráfico total en el caso de predicciones en tiempo real de gran volumen. Estos datos se almacenan en su propio bucket de Amazon S3. También puede cifrar estos datos, configurar una seguridad detallada, definir políticas de retención de datos e implementar mecanismos de control de acceso para un acceso seguro.
## P: ¿Qué tipos de monitores de modelos admite la SageMaker IA?
SageMaker Model Monitor ofrece los siguientes tipos de [monitores modelo](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor.html):
+ *Calidad de los datos*: supervise los cambios en la calidad de los datos.
+ *Calidad del modelo*: supervise los cambios en las métricas de calidad del modelo, como la precisión.
+ *Desviación de sesgo de los modelos en producción*: controle el sesgo en las predicciones de su modelo comparando la distribución de los datos de entrenamiento y en tiempo real.
+ *Desviación de la atribución de características en modelos en producción*: supervise la desviación en la atribución de características comparando las clasificaciones relativas de las características en los datos de entrenamiento y en tiempo real.
## P: ¿Qué métodos de inferencia admite SageMaker Model Monitor?
Actualmente, el monitor de modelos admite puntos de conexión que alojan un solo modelo para la inferencia en tiempo real y no admite la supervisión de [puntos de conexión multimodelo](https://docs.aws.amazon.com/sagemaker/latest/dg/multi-model-endpoints.html).
## P: ¿Cómo puedo empezar a usar SageMaker Model Monitor?
Puede utilizar los siguientes recursos para empezar con la supervisión de modelos:
+ [Cuaderno de ejemplo de monitor de calidad de datos](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker_model_monitor/introduction/SageMaker-ModelMonitoring.ipynb)
+ [Cuaderno de ejemplo de monitor de calidad del modelo](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker_model_monitor/introduction/SageMaker-ModelMonitoring.ipynb)
+ [Cuaderno de ejemplo de monitor de desviación de sesgo](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker_model_monitor/fairness_and_explainability/SageMaker-Model-Monitor-Fairness-and-Explainability.ipynb)
+ [Cuaderno de ejemplo de monitor de desviación de atribución de características](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker_model_monitor/fairness_and_explainability/SageMaker-Model-Monitor-Fairness-and-Explainability.ipynb)
Para ver más ejemplos de monitoreo de modelos, consulte el GitHub repositorio [amazon-sagemaker-examples](https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker_model_monitor).
## P: ¿Cómo funciona el monitor de modelos?
Amazon SageMaker Model Monitor supervisa automáticamente los modelos de aprendizaje automático en producción mediante reglas para detectar desviaciones en el modelo. El monitor de modelos le notifica cuando surgen problemas de calidad mediante alertas. Para obtener más información, consulte [Cómo funciona Amazon SageMaker Model Monitor](model-monitor.md#model-monitor-how-it-works).
## P: ¿Cuándo y cómo puede utilizar su propio contenedor para el monitor de modelos?
El monitor de modelos calcula las métricas y estadísticas del modelo únicamente a partir de datos tabulares. Para casos de uso distintos de los conjuntos de datos tabulares, como imágenes o texto, puede usar sus propios contenedores para supervisar sus datos y modelos. Por ejemplo, puede usar su propio contenedor para supervisar un modelo de clasificación de imágenes que toma imágenes como entrada y genera una etiqueta. Para obtener más información sobre los contratos de contenedores, consulte [Support para sus propios contenedores con Amazon SageMaker Model Monitor](model-monitor-byoc-containers.md).
## P: ¿Dónde puedo encontrar ejemplos de uso del contenedor propio para el monitor de modelos?
Encontrará ejemplos útiles de uso de un contenedor propio en los siguientes enlaces:
+ [Supervisión de la calidad de los datos y los modelos con Amazon SageMaker Model Monitor](model-monitor.md)
+ [GitHubejemplo de repositorio](https://github.com/aws/amazon-sagemaker-examples/tree/master/sagemaker_model_monitor)
+ [Support para sus propios contenedores con Amazon SageMaker Model Monitor](model-monitor-byoc-containers.md)
+ [Blog sobre la detección de la desviación de datos en NLP en el monitor de modelos con un contenedor propio](https://aws.amazon.com/blogs/machine-learning/detect-nlp-data-drift-using-custom-amazon-sagemaker-model-monitor)
+ [Blog sobre la detección y análisis de predicciones incorrectas en CV](https://aws.amazon.com/blogs//machine-learning/detecting-and-analyzing-incorrect-model-predictions-with-amazon-sagemaker-model-monitor-and-debugger)
## P: ¿Cómo puedo integrar el Monitor de modelos con Canalizaciones?
Para obtener más información sobre cómo integrar Model Monitor y Pipelines, consulte [Amazon Pipelines ahora se integra con SageMaker Model Monitor y SageMaker ](https://aws.amazon.com/about-aws/whats-new/2021/12/amazon-sagemaker-pipelines-integrates-sagemaker-model-monitor-sagemaker-clarify/) Clarify.
Para ver un ejemplo, consulte el GitHub ejemplo de la [integración de Pipelines con 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) y Clarify en el cuaderno.
## P: ¿Hay algún problema de rendimiento al usar `DataCapture`?
Cuando está activada, la captura de datos se produce de forma asíncrona en los puntos finales de IA. SageMaker Para evitar que las solicitudes de inferencia se vean afectadas, `DataCapture` deja de capturar solicitudes con niveles altos de uso de disco. Se recomienda mantener la utilización del disco por debajo del 75 % para garantizar que `DataCapture` siga capturando las solicitudes.