Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# FAQ Dasbor Model
Lihat topik FAQ berikut untuk jawaban atas pertanyaan umum tentang Dasbor SageMaker Model Amazon.
## Q. Apa itu Model Dashboard?
Dasbor SageMaker Model Amazon adalah repositori terpusat dari semua model yang dibuat di akun Anda. Model umumnya merupakan output dari pekerjaan SageMaker pelatihan, tetapi Anda juga dapat mengimpor model yang dilatih di tempat lain dan menghostingnya di SageMaker AI. Model Dashboard menyediakan antarmuka tunggal untuk administrator TI, manajer risiko model, dan pemimpin bisnis untuk melacak semua model yang diterapkan dan data agregat dari berbagai AWS layanan untuk memberikan indikator tentang kinerja model Anda. Anda dapat melihat detail tentang titik akhir model, pekerjaan transformasi batch, dan pekerjaan pemantauan untuk wawasan tambahan tentang kinerja model. Tampilan visual dasbor membantu Anda dengan cepat mengidentifikasi model mana yang memiliki monitor yang hilang atau tidak aktif sehingga Anda dapat memastikan semua model diperiksa secara berkala untuk penyimpangan data, penyimpangan model, penyimpangan bias, dan penyimpangan atribusi fitur. Terakhir, akses siap dasbor ke detail model membantu Anda menyelam lebih dalam sehingga Anda dapat mengakses log, informasi terkait infrastruktur, dan sumber daya untuk membantu Anda men-debug kegagalan pemantauan.
## T. Apa prasyarat untuk menggunakan Model Dashboard?
Anda harus memiliki satu atau lebih model yang dibuat dalam SageMaker AI, baik yang dilatih tentang SageMaker AI atau dilatih secara eksternal. Meskipun ini bukan prasyarat wajib, Anda mendapatkan nilai paling banyak dari dasbor jika Anda menyiapkan pekerjaan pemantauan model melalui Amazon Model Monitor untuk SageMaker model yang diterapkan ke titik akhir.
## Q. Siapa yang harus menggunakan Model Dashboard?
Manajer risiko model, praktisi ML, ilmuwan data, dan pemimpin bisnis bisa mendapatkan gambaran menyeluruh tentang model menggunakan Dasbor Model. Dasbor mengumpulkan dan menampilkan data dari Kartu SageMaker Model Amazon, Titik Akhir, dan layanan Monitor Model untuk menampilkan informasi berharga seperti metadata model dari kartu model dan registri model, titik akhir tempat model digunakan, dan wawasan dari pemantauan model.
## T. Bagaimana cara menggunakan Dasbor Model?
Dasbor Model tersedia di luar kotak dengan Amazon SageMaker AI dan tidak memerlukan konfigurasi sebelumnya. Namun, jika Anda telah menyiapkan pekerjaan pemantauan model menggunakan SageMaker Model Monitor dan Clarify, Anda menggunakan Amazon CloudWatch untuk mengonfigurasi peringatan yang menaikkan bendera di dasbor saat performa model menyimpang dari rentang yang dapat diterima. Anda dapat membuat dan menambahkan kartu model baru ke dasbor, dan melihat semua hasil pemantauan yang terkait dengan titik akhir. Dasbor Model saat ini tidak mendukung model lintas akun.
## T. Apa itu Amazon SageMaker Model Monitor?
Dengan Amazon SageMaker Model Monitor, Anda dapat memilih data yang ingin Anda pantau dan analisis tanpa menulis kode apa pun. SageMaker Model Monitor memungkinkan Anda memilih data, seperti output prediksi, dari menu opsi dan menangkap metadata seperti stempel waktu, nama model, dan titik akhir sehingga Anda dapat menganalisis prediksi model. Anda dapat menentukan laju pengambilan sampel data sebagai persentase dari lalu lintas keseluruhan dalam kasus prediksi real-time volume tinggi. Data ini disimpan di bucket Amazon S3 Anda sendiri. Anda juga dapat mengenkripsi data ini, mengonfigurasi keamanan berbutir halus, menentukan kebijakan penyimpanan data, dan menerapkan mekanisme kontrol akses untuk akses aman.
## T. Jenis monitor model apa yang didukung SageMaker AI?
SageMaker Model Monitor menyediakan jenis [monitor model](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor.html) berikut:
+ *Kualitas Data*: Memantau penyimpangan dalam kualitas data.
+ *Kualitas Model*: Pantau penyimpangan dalam metrik kualitas model, seperti akurasi.
+ *Bias Drift untuk Model dalam Produksi*: Pantau bias dalam prediksi model Anda dengan membandingkan distribusi pelatihan dan data langsung.
+ *Penyimpangan Atribusi Fitur untuk Model dalam Produksi*: Pantau penyimpangan atribusi fitur dengan membandingkan peringkat relatif fitur dalam pelatihan dan data langsung.
## T. Metode inferensi apa yang didukung SageMaker Model Monitor?
Model Monitor saat ini mendukung titik akhir yang menampung satu model untuk inferensi waktu nyata dan tidak mendukung pemantauan titik akhir [multi-model](https://docs.aws.amazon.com/sagemaker/latest/dg/multi-model-endpoints.html).
## T. Bagaimana saya bisa memulai dengan SageMaker Model Monitor?
Anda dapat menggunakan sumber daya berikut untuk memulai pemantauan model:
+ [Monitor kualitas data contoh notebook](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker_model_monitor/introduction/SageMaker-ModelMonitoring.ipynb)
+ [Model monitor kualitas contoh notebook](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker_model_monitor/introduction/SageMaker-ModelMonitoring.ipynb)
+ [Bias drift monitor contoh notebook](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker_model_monitor/fairness_and_explainability/SageMaker-Model-Monitor-Fairness-and-Explainability.ipynb)
+ [Fitur atribusi drift monitor contoh notebook](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker_model_monitor/fairness_and_explainability/SageMaker-Model-Monitor-Fairness-and-Explainability.ipynb)
Untuk lebih banyak contoh pemantauan model, lihat GitHub repositori [amazon-sagemaker-examples](https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker_model_monitor).
## T. Bagaimana cara kerja Model Monitor?
Amazon SageMaker Model Monitor secara otomatis memonitor model pembelajaran mesin dalam produksi, menggunakan aturan untuk mendeteksi penyimpangan dalam model Anda. Model Monitor memberi tahu Anda saat masalah kualitas muncul melalui peringatan. Untuk mempelajari selengkapnya, lihat [Cara kerja Amazon SageMaker Model Monitor](model-monitor.md#model-monitor-how-it-works).
## T. Kapan dan bagaimana Anda membawa wadah Anda sendiri (BYOC) untuk Model Monitor?
Model Monitor menghitung metrik model dan statistik hanya pada data tabular. Untuk kasus penggunaan selain kumpulan data tabular, seperti gambar atau teks, Anda dapat membawa wadah Anda sendiri (BYOC) untuk memantau data dan model Anda. Misalnya, Anda dapat menggunakan BYOC untuk memantau model klasifikasi gambar yang mengambil gambar sebagai input dan mengeluarkan label. Untuk mempelajari lebih lanjut tentang kontrak kontainer, lihat[Support untuk Kontainer Anda Sendiri Dengan Monitor SageMaker Model Amazon](model-monitor-byoc-containers.md).
## T. Di mana saya dapat menemukan contoh BYOC untuk Model Monitor?
Anda dapat menemukan contoh BYOC yang bermanfaat di tautan berikut:
+ [Pemantauan kualitas data dan model dengan Amazon SageMaker Model Monitor](model-monitor.md)
+ [GitHubcontoh repositori](https://github.com/aws/amazon-sagemaker-examples/tree/master/sagemaker_model_monitor)
+ [Support untuk Kontainer Anda Sendiri Dengan Monitor SageMaker Model Amazon](model-monitor-byoc-containers.md)
+ [Mendeteksi penyimpangan data di NLP menggunakan Monitor Model BYOC](https://aws.amazon.com/blogs/machine-learning/detect-nlp-data-drift-using-custom-amazon-sagemaker-model-monitor)
+ [Mendeteksi dan menganalisis prediksi yang salah di CV](https://aws.amazon.com/blogs//machine-learning/detecting-and-analyzing-incorrect-model-predictions-with-amazon-sagemaker-model-monitor-and-debugger)
## T. Bagaimana cara mengintegrasikan Model Monitor dengan Pipelines?
Untuk detail tentang cara mengintegrasikan Model Monitor dan Pipelines, lihat [Amazon Pipelines sekarang terintegrasi dengan SageMaker Model Monitor](https://aws.amazon.com/about-aws/whats-new/2021/12/amazon-sagemaker-pipelines-integrates-sagemaker-model-monitor-sagemaker-clarify/) dan Clarify. SageMaker
Sebagai contoh, lihat contoh [integrasi Pipelines notebook dengan Model Monitor dan Clarify](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker-pipelines/tabular/model-monitor-clarify-pipelines/sagemaker-pipeline-model-monitor-clarify-steps.ipynb). GitHub
## T. Apakah ada masalah kinerja yang digunakan? `DataCapture`
Saat dihidupkan, pengambilan data terjadi secara asinkron pada titik akhir AI. SageMaker Untuk mencegah dampak pada permintaan inferensi, `DataCapture` berhenti menangkap permintaan pada tingkat penggunaan disk yang tinggi. Disarankan Anda menjaga penggunaan disk Anda di bawah 75% untuk memastikan `DataCapture` terus menangkap permintaan.