기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
# 권한을 관리하고 모델 성능을 추적하기 위한 모델 거버넌스
모델 거버넌스는 기계 학습(ML) 모델 개발, 검증 및 사용에 대한 체계적인 가시성을 제공하는 프레임워크입니다. Amazon SageMaker AI는 ML 수명 주기 전반에 걸쳐 액세스 제어, 활동 추적 및 보고를 관리하기 위해 특별히 제작된 ML 거버넌스 도구를 제공합니다.
Amazon SageMaker 역할 관리자를 사용하여 ML 실무자의 최소 권한을 관리하고, Amazon SageMaker 모델 카드를 사용하여 상세한 모델 설명서를 작성하고, Amazon SageMaker 모델 대시보드를 사용하여 중앙 집중식 대시보드를 통해 모델에 대한 가시성을 확보하세요.
## SageMaker 역할 관리자
Amazon SageMaker 역할 관리자를 사용하면 관리자는 일반적인 기계 학습 활동에 대해 최소 권한으로 사용자 권한을 정의할 수 있습니다. Amazon SageMaker 역할 관리자를 사용하여 비즈니스 요구 사항에 맞는 페르소나 기반 IAM 역할을 구축하고 관리할 수 있습니다.
자세한 내용은 [SageMaker 역할 관리자](role-manager.md)섹션을 참조하세요.
## Amazon SageMaker 모델 카드
Amazon SageMaker 모델 카드를 사용하여 개념부터 배포까지 필수 모델 정보를 문서화, 검색 및 공유할 수 있습니다. 모델 카드를 사용하여 모델 위험 관리자, 데이터 과학자 및 ML 엔지니어는 모델 용도, 위험 등급, 훈련 세부 정보, 평가 결과 등에 대한 변경 불가능한 기록을 생성할 수 있습니다.
자세한 내용은 [Amazon SageMaker 모델 카드](model-cards.md)섹션을 참조하세요.
## Amazon SageMaker 모델 대시보드
Amazon SageMaker 모델 대시보드는 계정 내 모든 모델에 대한 사전 구축된 시각적 개요입니다. SageMaker 모델 대시보드는 Amazon SageMaker 모델 모니터, 변환 작업, 엔드포인트, ML 계보 추적 및 Amazon CloudWatch의 중요한 정보를 통합하므로 하나의 통합된 뷰에서 높은 수준의 모델 정보에 액세스하고 모델 성능을 추적할 수 있습니다.
자세한 내용은 [Amazon SageMaker 모델 대시보드](model-dashboard.md) 단원을 참조하십시오.
## Amazon SageMaker 자산
Amazon SageMaker Assets은 ML 거버넌스를 간소화하는 새로운 워크플로입니다. 이를 통해 사용자는 특성 그룹 및 Amazon Redshift 테이블과 같은 ML 자산 및 데이터 자산을 쉽게 게시, 공유 및 구독할 수 있습니다.
관리자는 Amazon DataZone을 사용하여 사용자가 Amazon SageMaker Studio 내에서 자산을 공유할 수 있도록 데이터베이스와 ML 인프라를 설정합니다. 설정 후 사용자는 추가 관리자 오버헤드 없이 자산을 서로 원활하게 공유할 수 있습니다. Amazon SageMaker Assets에 대한 추가 정보는 [Amazon SageMaker Assets을 사용하여 자산에 대해 제어된 액세스](sm-assets.md) 섹션을 참조하세요.
# Amazon SageMaker 모델 카드
**중요**
Amazon SageMaker Model Card는 SageMaker Model Registry와 통합됩니다. Model Registry에 모델을 등록하는 경우 통합을 사용하여 감사 정보를 추가할 수 있습니다. 자세한 내용은 [모델 버전 세부 정보 업데이트](model-registry-details.md) 단원을 참조하십시오.
Amazon SageMaker 모델 카드를 사용하면 기계 학습(ML) 모델에 대한 중요한 세부 정보를 한 곳에 문서화하여 거버넌스 및 보고를 간소화할 수 있습니다. 모델 카드는 수명 주기 동안 모델에 대한 주요 정보를 캡처하고 책임 있는 AI 관행을 구현하는 데 도움이 될 수 있습니다.
모델의 용도 및 위험 등급, 훈련 세부 정보 및 지표, 평가 결과 및 관찰, 추가 설명(예: 고려 사항, 권장 사항, 사용자 지정 정보)과 같은 세부 정보를 분류합니다. 모델 카드를 생성하여 다음 작업을 수행할 수 있습니다.
+ 모델 사용 방법에 대한 지침을 제공합니다.
+ 모델 훈련 및 성과에 대한 자세한 설명과 함께 감사 활동을 지원합니다.
+ 비즈니스 목표를 지원하기 위한 모델의 용도를 전달합니다.
모델 카드는 문서화할 정보에 대한 권장 가이드를 제공하며 사용자 지정 정보 필드를 포함합니다. 모델 카드를 만든 후 PDF로 내보내거나 다운로드하여 관련 이해 관계자와 공유할 수 있습니다. 모델 카드에 대한 승인 상태 업데이트 이외의 모든 편집은 모델 변경 내용에 대한 변경 불가능한 기록을 남기기 위해 추가 모델 카드 버전을 생성합니다.
**Topics**
+ [사전 조건](#model-cards-prerequisites)
+ [모델의 용도](#model-cards-intended-uses)
+ [위험 등급](#model-cards-risk-rating)
+ [모델 카드 JSON 스키마](#model-cards-json-schema)
+ [모델 카드 생성](model-cards-create.md)
+ [모델 카드 작업](model-cards-manage.md)
+ [Amazon SageMaker Model Cards에 대한 교차 계정 지원 설정](model-cards-xaccount.md)
+ [모델 카드용 하위 수준 SageMaker API](model-cards-apis.md)
+ [모델 카드 FAQ](model-cards-faqs.md)
## 사전 조건
Amazon SageMaker 모델 카드를 시작하려면 모델 카드를 생성하고, 편집하고, 보고, 내보낼 수 있는 권한이 있어야 합니다.
## 모델의 용도
모델의 용도를 지정하면 모델 개발자와 사용자가 책임감 있게 모델을 훈련시키거나 배포하는 데 필요한 정보를 확보할 수 있습니다. 모델의 용도는 모델을 사용하기에 적합한 시나리오와 모델 사용이 권장되지 않는 시나리오를 설명해야 합니다.
다음 사항을 포함하는 것이 좋습니다.
+ 모델의 일반 목적
+ 모델이 의도된 사용 사례
+ 모델이 의도하지 않은 사용 사례
+ 모델을 개발할 때 세운 전제
모델의 용도는 기술적 세부 사항을 넘어서서 프로덕션 환경에서 모델을 사용하는 방법, 모델을 사용하기에 적합한 시나리오, 추가 고려 사항(예: 모델에 사용할 데이터 유형 또는 개발 중 가정된 사항)을 설명합니다.
## 위험 등급
개발자는 위험 수준이 다양한 사용 사례를 위한 ML 모델을 만듭니다. 예를 들어 대출 신청을 승인하는 모델은 이메일 카테고리를 탐지하는 모델보다 위험이 더 높은 모델일 수 있습니다. 모델의 다양한 위험 프로필을 고려할 때 모델 카드는 모델의 위험 등급을 분류할 수 있는 필드를 제공합니다.
이 위험 등급은 `unknown`, `low`, `medium`또는 `high`일 수 있습니다. 이러한 위험 등급 필드를 사용하여 알 수 없음, 낮음, 중간 또는 고위험 모델에 레이블을 지정하고 조직이 특정 모델을 생산에 적용하는 것과 관련된 기존 규칙을 준수할 수 있습니다.
## 모델 카드 JSON 스키마
모델 카드의 평가 세부 정보는 JSON 형식으로 제공되어야 합니다. [SageMaker Clarify](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-processing-job-run.html) 또는 [SageMaker AI Model Monitor](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-model-quality.html)에서 생성한 기존 JSON 형식 평가 보고서가 있는 경우, 이를 Amazon S3에 업로드하고 평가 지표를 자동으로 구문 분석하도록 S3 URI를 제공하세요. 자세한 내용과 샘플 보고서는 Amazon SageMaker 모델 거버넌스 - 모델 카드 예제 노트북에서 [예제 지표](https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker_model_governance/example_metrics) 폴더를 참조하세요.**
SageMaker Python SDK를 사용하여 모델 카드를 생성할 때 모델 콘텐츠는 모델 카드 JSON 스키마에 있어야 하며 문자열로 제공되어야 합니다. 다음 예제와 유사한 모델 콘텐츠를 제공합니다.
### 모델 카드 JSON 스키마 샘플 파일
```
{
"$schema": "http://json-schema.org/draft-07/schema#",
"$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
}
}
}
```
# 모델 카드 생성
**중요**
Amazon SageMaker Studio 또는 Amazon SageMaker Studio Classic에서 Amazon SageMaker 리소스를 만들도록 허용하는 사용자 지정 IAM 정책은 해당 리소스에 태그를 추가할 수 있는 권한도 부여해야 합니다. Studio와 Studio Classic은 만드는 리소스에 태그를 자동으로 지정하기 때문에 리소스에 태그를 추가할 권한이 필요합니다. IAM 정책이 Studio 및 Studio Classic에서 리소스를 만들도록 허용하지만 태그 지정은 허용하지 않는 경우 리소스 만들기를 시도할 때 'AccessDenied' 오류가 발생할 수 있습니다. 자세한 내용은 [SageMaker AI 리소스 태그 지정을 위한 권한 제공](security_iam_id-based-policy-examples.md#grant-tagging-permissions) 섹션을 참조하세요.
SageMaker 리소스를 만들 수 있는 권한을 부여하는 [AWS Amazon SageMaker AI에 대한 관리형 정책](security-iam-awsmanpol.md)에는 해당 리소스를 만드는 동안 태그를 추가할 수 있는 권한이 이미 포함되어 있습니다.
SageMaker AI 콘솔 또는 SageMaker Python SDK를 사용하여 Amazon SageMaker 모델 카드를 생성할 수 있습니다. 직접 API 작업을 사용할 수도 있습니다. 이러한 API 작업에 대한 자세한 내용은 [모델 카드용 하위 수준 SageMaker API](model-cards-apis.md)섹션을 참조하세요.
## SageMaker AI 콘솔을 사용하여 모델 카드 생성
Amazon SageMaker AI 콘솔로 이동합니다. 탐색 창의 **거버넌스**에서 **모델 카드**를 선택합니다. 오른쪽 상단 모서리에서 **모델 카드 생성**을 선택합니다.
**모델 카드 생성** 프롬프트의 4단계를 수행하여 모델에 대한 세부 정보를 문서화하세요.
### 1단계: 모델 세부 정보 및 용도 입력
모델이 AWS 리소스인 경우이 필드에 정확한 모델 이름을 지정하여 모델 세부 정보를 자동으로 채웁니다. 기존 모델 이름을 찾아보려면 Amazon SageMaker AI 콘솔에서 **모델**을 참조하세요. 각 고유 모델 이름은 연결된 모델 카드가 하나만 가질 수 있습니다.
모델이 AWS 리소스가 아닌 경우 모델의 고유한 이름을 제공합니다. 모델을 AWS 리소스로 추가하려면 *Amazon SageMaker AI 개발자 안내서*의 [모델 생성을](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints-deployment.html#realtime-endpoints-deployment-create-model) 참조하세요. 또는 [SageMaker AI Marketplace](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-marketplace.html) 또는 [SageMaker AI Model Registry](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry.html)를 사용하여 모델을 모델 패키지로 추가할 수 있습니다.
용도에 대한 자세한 내용은 [모델의 용도](model-cards.md#model-cards-intended-uses)섹션을 참조하세요. 위험 등급에 대한 자세한 내용은 [위험 등급](model-cards.md#model-cards-risk-rating)섹션을 참조하세요.
#### 2단계: 훈련 세부 정보 입력
훈련 세부 정보, 훈련 관찰, 데이터세트, 하이퍼파라미터, 모델의 목표 함수에 대한 세부 정보를 모델 카드에 추가합니다.
모델 카드의 목표 함수는 훈련 중에 최적화된 모든 함수일 수 있습니다. 여기에는 비용 함수, 손실 함수 또는 목표 지표가 포함될 수 있지만 이에 국한되지는 않습니다. 이 섹션에서 모델 훈련에 가장 중요한 목표 함수를 설명하세요.
목표 함수의 다음 속성을 카탈로그로 작성하는 것이 좋습니다.
+ 최적화 방향
+ 지표
+ 설명
예를 들어, 바이너리 분류 문제(설명)의 경우 교차 엔트로피 손실(지표)을 최소화(최적화 방향)하거나 로지스틱 회귀 가능성을 최대화할 수 있습니다. 또한 다른 것보다 이 목표 함수를 선택한 이유에 대한 메모도 제공할 수 있습니다.
#### 3단계: 평가 세부 정보 입력
SageMaker Clarify 또는 모델 모니터에서 생성한 기존 평가 보고서가 있는 경우, 해당 보고서에 대한 S3 URI를 제공하거나 수동으로 업로드하여 모델 카드에 추가하세요.
자세한 내용은 [바이어스 분석 및 설명 가능성을 위해 SageMaker Clarify 처리 작업 실행](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-processing-job-run.html)을 참조하세요.
모델 모니터를 사용하여 모델 품질 지표의 드리프트를 모니터링하는 방법에 대한 자세한 내용은 [모델 품질 모니터링](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-model-quality.html)을 참조하세요.
자체 평가 보고서를 추가하려면 **일반 모델 카드 평가**를 선택합니다. 모든 모델 카드 평가 보고서는 [모델 카드 JSON 스키마](model-cards.md#model-cards-json-schema)에 있어야 합니다.
#### 4단계: 추가 세부 정보 입력
모델 카드에서 다루려는 추가 정보에 대한 사용자 지정 모델 카드 세부 정보 필드를 추가하세요. 예를 들어, 사용자 지정 필드 사업 부문(LOB)을 개인 금융이라는 값과 함께 포함할 수 있습니다.****
#### 모델 카드 저장
모델 카드의 정보를 검토한 후 오른쪽 하단 모서리에서 **저장**을 선택하여 모델 카드를 저장합니다.
## SageMaker Python SDK를 사용하여 모델 카드 생성
모델 카드를 생성하기 전에 먼저 모델 카드의 콘텐츠를 정의해야 합니다. SageMaker Python SDK를 사용하는 경우 모델 콘텐츠는 모델 개요, 훈련 세부 정보, 용도, 평가 세부 정보 및 추가 정보로 구성됩니다.
다음에 대한 모델 카드를 생성할 수 있습니다:
+ SageMaker AI에서 호스팅되는 모델
+ SageMaker 모델 레지스트리 내의 모델 패키지(모델)
+ SageMaker AI 외부에서 호스팅되거나 등록된 모델
모델을 연결하지 않고도 모델 카드를 생성할 수 있습니다.
훈련한 모델을 SageMaker 모델 레지스트리에 추가하는 것이 좋습니다. 모델 레지스트리는 모델을 카탈로그화하고 모델 버전을 추적하는 데 도움이 됩니다. 모델 카드를 생성하면 모델 레지스트리의 모델 정보가 모델 카드에 자동으로 채워집니다. 모델 카드를 생성한 후 모델 카드를 편집하거나 정보를 추가할 수 있습니다.
모델 레지스트리에 대한 자세한 내용은 [Model Registry를 사용한 모델 등록 배포](model-registry.md)섹션을 참조하세요. 모델 레지스트리에서 모델 카드를 생성하는 방법에 대한 자세한 내용은 [SageMaker 모델 레지스트리에서 모델을 위한 모델 카드를 생성합니다.](#model-cards-sdk-create-model-registry)섹션을 참조하세요.
**참고**
SageMaker Python SDK와 함께 모델 카드를 사용하려면 먼저 SageMaker AI 세션을 설정해야 합니다. 자세한 내용은 SageMaker Python SDK API 참조의 [세션](https://sagemaker.readthedocs.io/en/stable/api/utility/session.html)을 참조하세요.
SageMaker 모델 레지스트리에 없는 모델을 위한 모델 카드를 생성하려면 [모델 레지스트리에 없는 모델 생성](#model-card-sdk-create-model-non-model-registry)섹션을 참조하세요.
### 모델 레지스트리에 없는 모델 생성
다음 섹션의 정보를 사용하여 모델 레지스트리에 추가하지 않은 모델의 모델 카드를 생성할 수 있습니다.
#### 1단계: 모델 개요 정의
모델 개요를 정의합니다.
```
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",
)
```
모델이 AWS 리소스인 경우 모델 ARN, 추론 컨테이너 URI, 모델 아티팩트의 S3 위치와 같은 개요 정보를 자동으로 검색할 수 있습니다. 다음 명령을 사용하여 연결된 AWS 메타데이터를 인쇄합니다.
```
print(model_overview.model_id)
print(model_overview.inference_environment.container_image)
print(model_overview.model_artifact)
```
#### 2단계: 훈련 세부 정보 정의
모델의 훈련 세부 정보를 정의하려면 먼저 목표 함수를 정의해야 합니다.
```
objective_function = ObjectiveFunction(
function=Function(
function=ObjectiveFunctionEnum.MINIMIZE,
facet=FacetEnum.LOSS,
),
notes="An-explanation-about-objective-function",
)
```
다음으로 기존 모델 개요, 세션 및 목표 함수를 사용하여 훈련 세부 정보를 정의할 수 있습니다. 여기에 훈련 관찰 결과를 모두 추가합니다.
```
training_details = TrainingDetails.from_model_overview(
model_overview=model_overview,
sagemaker_session=sagemaker_session,
objective_function=objective_function,
training_observations="Model-training-observations",
)
```
다시 한 번, 모델이 AWS 리소스인 경우 특정 훈련 세부 정보가 자동으로 채워집니다. 다음 명령을 사용하여 훈련 작업 ARN, 훈련 컨테이너 URI, 훈련 지표를 인쇄합니다.
```
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])
```
#### 평가 세부 정보를 정의합니다.
모델의 평가 세부 정보를 정의하려면 먼저 평가 작업에 사용되는 지표를 설명하는 지표 그룹을 하나 이상 정의해야 합니다.
```
my_metric_group = MetricGroup(
name="binary classification metrics",
metric_data=[Metric(name="accuracy", type=MetricTypeEnum.NUMBER, value=0.5)]
)
```
그런 다음 각 평가 작업에 대한 평가 지표와 데이터세트를 사용하여 평가 세부 정보를 정의할 수 있습니다. 여기에 평가 관찰 내용을 추가하고 평가 작업에 고유한 이름을 지정합니다.
```
evaluation_details = [
EvaluationJob(
name="Example-evaluation-job",
evaluation_observation="Evaluation-observations",
datasets=["s3://path/to/evaluation/data"],
metric_groups=[my_metric_group],
)
]
```
[SageMaker AI Clarify](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-processing-job-run.html) 또는 [SageMaker AI Model Monitor](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-model-quality.html)에서 생성한 기존 평가 보고서가 있는 경우, 이를 Amazon S3에 업로드하고 평가 지표를 자동으로 구문 분석하도록 S3 URI를 제공하세요. 고유한 일반 모델 카드 평가 보고서를 추가하려면 [평가 결과 JSON 형식](https://docs.aws.amazon.com/sagemaker/latest/dg/model-cards-json-schema.html)의 보고서를 제공하세요.
```
report_type = "clarify_bias.json"
example_evaluation_job.add_metric_group_from_json(
f"example_metrics/{report_type}", EvaluationMetricTypeEnum.CLARIFY_BIAS
)
```
#### 3단계: 용도 정의
모델의 일반 용도와 의도된 사용 사례를 포함하여 모델의 용도를 정의합니다. 또한 특정 사용 사례에서 이 모델의 효율성에 영향을 미칠 수 있는 모든 요인과 모델에 대한 조직의 위험 등급을 포함하는 것이 좋습니다. 자세한 정보는 [모델의 용도](model-cards.md#model-cards-intended-uses)및 [위험 등급](model-cards.md#model-cards-risk-rating)섹션을 참조하세요.
```
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",
)
```
#### 추가 정보 정의
마지막으로 모델 카드에 사용자 지정 정보를 추가할 수 있습니다. 모델에 대한 윤리적 고려 사항, 주의 사항 및 권장 사항을 문서화할 수 있습니다. 키-값 페어 형식으로 원하는 사용자 지정 세부 정보를 추가할 수도 있습니다.
```
additional_information = AdditionalInformation(
ethical_considerations="Any-ethical-considerations",
caveats_and_recommendations="Any-caveats-and-recommendations",
custom_details={"custom details1": "details-value"},
)
```
#### 4단계: 모델 카드 생성
모델 카드의 이름을 지정하고 모델 카드를 정의한 다음 해당 정의를 사용하여 SageMaker Python SDK를 사용하여 모델 카드를 생성합니다.
```
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()
```
### SageMaker 모델 레지스트리에서 모델을 위한 모델 카드를 생성합니다.
모델 카드를 생성하기 전에 모델 패키지 그룹과 모델 패키지를 생성했는지 확인하세요. 모델 레지스트리에 대한 자세한 내용은 [Model Registry를 사용한 모델 등록 배포](model-registry.md)섹션을 참조하세요.
**중요**
SageMaker 모델 레지스트리의 작업을 사용할 수 있는 권한이 있어야 합니다. `AmazonSageMakerModelRegistryFullAccess` AWS 관리형 정책을 사용하는 것이 좋습니다. 관리형 정책에 대한 자세한 내용은 [AWS 모델 레지스트리에 대한 관리형 정책](security-iam-awsmanpol-model-registry.md)섹션을 참조하세요.
SageMaker Python SDK를 사용하여 SageMaker 모델 레지스트리 내에 모델 패키지용 모델 카드를 생성할 수 있습니다. 모델 패키지는 사용자가 훈련시킨 모델입니다. 모델 카드를 생성하면 Amazon SageMaker 모델 카드는 모델 패키지의 데이터를 모델 카드로 자동으로 가져옵니다.
모델 패키지용 모델 카드를 생성할 때 Amazon SageMaker 모델 카드는 [DescribeModelPackage](https://docs.aws.amazon.com/APIReference/API_DescribeModelPackage.html#API_DescribeModelPackage_ResponseSyntax) 작업을 사용하여 모델 패키지의 데이터를 모델 카드에 추가합니다. 다음은 모델 패키지에서 모델 카드로 가져올 수 있는 필드의 예입니다.
+ [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)
다음 코드를 사용하여 모델 패키지를 정의하고 모델 패키지를 기반으로 모델 카드를 생성하세요.
```
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()
```
`status`의 경우, 모델 카드의 승인 상태를 지정하고 있습니다. 상태를 지정하지 않을 경우 SageMaker 모델 카드는 `DRAFT`의 기본값을 사용합니다. SageMaker AI 세션을 지정하지 않는 경우 SageMaker Model Cards는 기본 SageMaker AI 세션을 사용합니다.
모델 이름과 모델 패키지의 Amazon 리소스 이름(ARN)을 지정해야 합니다. 모델 패키지의 Amazon 리소스 이름(ARN)을 가져오는 방법에 대한 자세한 내용은 [모델 버전 세부 정보 확인 및 업데이트(Boto3)](model-registry-details.md#model-registry-details-api)섹션을 참조하세요.
모델 패키지에서 생성한 모델 카드에 누락되거나 부정확한 정보가 있을 수 있습니다. 모델 카드에 정보를 추가하거나 편집할 수 있습니다. 모델 카드 관리에 대한 자세한 내용은 [모델 카드 작업](model-cards-manage.md)섹션을 참조하세요.
SageMaker 모델 레지스트리는 모델 패키지의 버전 관리를 지원합니다. 모델 패키지의 버전을 관리하고 각 버전에 대한 모델 카드를 생성할 수 있습니다. 이전 버전의 모델 카드의 정보는 후속 버전에서 생성된 모델 카드에 전달됩니다. 예를 들어, 모델 패키지의 버전 1, 버전 2, 버전 3이 있을 수 있습니다. 버전 1용 모델 카드는 이미 만들었지만 버전 2용 모델 카드는 만들지 않았다고 가정해 보겠습니다. 버전 3용 모델 카드를 생성하는 경우 Amazon SageMaker 모델 카드는 버전 1용 모델 카드에서 버전 3용 모델 카드로 정보를 자동으로 전달합니다.
**참고**
버전 관리를 사용하지 않는 모델 패키지용 모델 카드를 생성할 수도 있습니다. 하지만 대부분의 기계 학습 워크플로에는 동일한 모델의 여러 버전이 포함되므로 다음을 수행하는 것이 좋습니다.
각 모델 패키지에 대해 하나의 버전 생성
각 모델 패키지의 각 버전에 대해 하나의 모델 카드 생성
# 모델 카드 작업
모델 카드를 생성한 후 모델 카드를 관리할 수 있습니다. 모델 카드 관리에는 다음 작업이 포함됩니다.
+ 모델 카드 편집
+ 모델 카드 삭제
+ 모델 카드를 PDF로 내보내기
Amazon SageMaker AI 콘솔 또는 SageMaker Python SDK를 사용하여 관리할 수 있습니다. Python SDK 사용에 대한 자세한 내용은 SageMaker Python SDK API 참조의 [Amazon SageMaker Model Cards](https://sagemaker.readthedocs.io/en/stable/api/governance/model_card.html)를 참조하세요.
SageMaker Python SDK를 사용하는 노트북 예시는 *[Amazon SageMaker Model Governance - Model Card](https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker_model_governance/model_card.ipynb)* 예시 노트북을 참조하세요.
**Topics**
+ [모델 카드 편집](model-cards-console-edit.md)
+ [모델 카드 내보내기](model-cards-console-export.md)
+ [모델 카드 삭제](model-cards-console-delete.md)
# 모델 카드 편집
모델 카드를 편집하려면 Amazon SageMaker 모델 카드 Console에서 이름을 선택하여 선택한 모델 카드로 이동한 다음 **편집**을 선택합니다.
모델 카드를 저장한 후에는 모델 카드의 이름을 편집할 수 없습니다. 모델 카드 버전을 저장한 후에는 모델 카드의 해당 버전을 업데이트할 수 없습니다. 모델 변경 내용에 대한 변경 불가능한 기록을 남기기 위해 편집해야 하는 모든 내용은 후속 버전으로 저장됩니다.
모델 카드의 다른 버전을 보려면 **작업**, **버전 선택**을 선택한 다음 보려는 버전을 선택합니다.
`model_card.update()` 메서드를 사용하여 모델 카드를 편집할 수 있습니다. 모델 카드를 업데이트하면 모델 변경 내용의 변경 불가능한 기록을 남기기 위해 새 모델 카드 버전이 생성됩니다. 모델 카드의 이름은 업데이트할 수 없습니다.
```
my_card.model_overview.model_description = "updated-model-decription"
my_card.update()
```
# 모델 카드 내보내기
모델 카드를 내보내려면 다음 단계를 따르세요.
1. Amazon SageMaker 모델 카드 콘솔로 이동합니다.
1. 내보내려는 모델 카드의 이름을 선택합니다.
1. 모델 카드 개요에서 **작업**을 선택한 다음 **PDF 내보내기**를 선택합니다.
1. S3 URI를 입력하거나 모델 카드 PDF에 사용할 수 있는 S3 버킷을 찾아보세요.
1. 모델 카드가 성공적으로 내보내지면 결과 배너에서 **PDF 다운로드**를 선택하거나 Amazon S3에서 직접 PDF를 다운로드할 수 있습니다.
S3 출력 경로를 지정하여 SageMaker Python SDK에서 모델 카드를 내보내고 다음 명령을 사용하여 해당 경로로 모델 카드 PDF를 내보낼 수 있습니다.
```
s3_output_path = f"s3://{bucket}/{prefix}/export"
pdf_s3_url = my_card.export_pdf(s3_output_path=s3_output_path).delete()
```
# 모델 카드 삭제
다음 단계에 따라 하나 이상의 모델 카드를 영구 삭제하세요.
1. Amazon SageMaker 모델 카드 콘솔로 이동합니다.
1. 삭제할 카드의 이름 왼쪽에 있는 상자를 선택합니다.
1. 오른쪽 상단 모서리에서 **삭제**를 선택합니다.
1. 하나 이상의 카드를 영구 삭제하라는 요청을 확인합니다.
콘솔에서 모델 카드 개요를 볼 때 **작업**을 선택한 다음 **모델 카드 삭제**를 선택하여 모델 카드를 삭제할 수도 있습니다.
SageMaker Python SDK 내에서 다음 명령을 사용하여 모델 카드를 영구적으로 삭제할 수 있습니다.
```
my_card.delete()
```
# Amazon SageMaker Model Cards에 대한 교차 계정 지원 설정
Amazon SageMaker 모델 카드에서 교차 계정 지원을 사용하여 AWS 계정 간에 모델 카드를 공유합니다. 모델 카드가 생성되는 계정은 모델 카드 계정입니다.** 모델 카드 계정의 사용자는 공유 계정과 모델 카드 계정을 공유합니다.** 공유 계정의 사용자는 모델 카드를 업데이트하거나 모델 카드를 PDF로 만들 수 있습니다.
모델 카드 계정의 사용자는 AWS Resource Access Manager (AWS RAM)를 통해 모델 카드를 공유합니다.는 AWS 계정 간에 리소스를 공유하는 데 AWS RAM 도움이 됩니다. 에 대한 소개는 [란 무엇입니까 AWS Resource Access Manager?](https://docs.aws.amazon.com/ram/latest/userguide/what-is.html)를 AWS RAM참조하세요.
모델 카드를 공유하는 프로세스는 다음과 같습니다.
1. 모델 카드 계정의 사용자가 AWS Resource Access Manager를 사용하여 교차 계정 모델 카드 공유를 설정합니다.
1. 모델 카드가 AWS KMS 키로 암호화된 경우 모델 공유를 설정하는 사용자도 공유 계정의 사용자에게 AWS KMS 권한을 제공해야 합니다.
1. 공유 계정의 사용자가 리소스 공유에 대한 초대를 수락합니다.
1. 공유 계정의 사용자는 다른 사용자에게 모델 카드에 액세스할 수 있는 권한을 제공합니다.
모델 카드 계정 사용자인 경우 다음 섹션을 참조하세요.
+ [교차 계정 모델 카드 공유 설정](#model-cards-xaccount-set-up)
+ [공유 계정에 대한 AWS KMS 권한 설정](#model-cards-xaccount-kms)
+ [리소스 공유 초대에 대한 응답 수신](#model-cards-xaccount-set-up-responses)
공유 계정의 사용자인 경우 본인 및 해당 계정의 다른 사용자에 대한 권한 설정에 대해 [공유 계정에서 IAM 사용자 권한 설정](#model-cards-xaccount-shared-account-permissions)섹션을 참조하세요.
## 교차 계정 모델 카드 공유 설정
AWS Resource Access Manager (AWS RAM)를 사용하여 AWS 계정의 사용자에게 다른 AWS 계정에서 생성된 모델 카드를 보거나 업데이트할 수 있는 액세스 권한을 부여합니다.
모델 카드 공유를 설정하려면 리소스 공유를 생성해야 합니다. 리소스 공유는 다음 사항을 지정합니다.
+ 공유 중인 리소스
+ 리소스에 액세스할 수 있는 사용자 또는 대상
+ 리소스에 대한 관리형 권한
리소스 공유에 대한 자세한 내용은 [AWS RAM에 대한 용어 및 개념](https://docs.aws.amazon.com/ram/latest/userguide/getting-started-terms-and-concepts.html)을 참조하세요. 리소스 공유 생성 프로세스를 진행하기 전에 시간을 내어 AWS RAM 개념적으로 이해하는 것이 좋습니다.
**중요**
리소스 공유를 생성할 권한이 있어야 합니다. 권한에 대한 자세한 내용은 [AWS RAM 에서 IAM을 사용하는 방법을](https://docs.aws.amazon.com/ram/latest/userguide/security-iam-policies.html) 참조하세요.
리소스 공유를 만드는 절차와 이에 대한 추가 정보는 [리소스 공유 생성](https://docs.aws.amazon.com/ram/latest/userguide/getting-started-sharing.html#getting-started-sharing-create)을 참조하세요.
리소스 공유를 생성하는 절차를 진행할 때 리소스 유형으로 `sagemaker:ModelCard`를 지정합니다. AWS RAM 리소스 기반 정책의 Amazon 리소스 번호(ARN)도 지정해야 합니다. 기본 정책을 지정하거나 모델 카드의 PDF를 생성할 수 있는 추가 권한이 있는 정책을 지정할 수 있습니다.
기본 `AWSRAMPermissionSageMakerModelCards`리소스 기반 정책을 사용하면 공유 계정의 사용자에게 다음 작업을 수행할 수 있는 권한이 있습니다.
+ [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)
`AWSRAMPermissionSageMakerModelCardsAllowExport` 리소스 기반 정책을 사용하면 공유 계정의 사용자는 위의 모든 작업을 수행할 수 있는 권한을 가집니다. 또한 모델 카드 내보내기 작업을 생성하고 다음 작업을 통해 해당 작업을 설명할 수 있는 권한도 있습니다.
+ [CreateModelCardExportJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModelCardExportJob.html)
+ [DescribeModelCardExportJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeModelCardExportJob.html)
공유 계정의 사용자는 내보내기 작업을 생성하여 모델 카드의 PDF를 생성할 수 있습니다. 또한 PDF의 Amazon S3 URI를 찾기 위해 생성된 내보내기 작업에 대해서도 설명할 수 있습니다.
모델 카드와 내보내기 작업은 리소스입니다. 모델 카드 계정은 공유 계정에서 사용자가 생성한 내보내기 작업을 소유합니다. 예를 들어, 계정 A의 사용자가 모델 카드 X를 공유 계정 B와 공유하는 경우, 계정 B의 사용자는 계정 B의 사용자가 지정하는 Amazon S3 위치에 출력을 저장하는 모델 카드 X에 대한 내보내기 작업 Y를 생성합니다. 계정 B가 내보내기 작업 Y를 생성했지만 이 작업은 계정 A에 속합니다.
각 AWS 계정에는 리소스 할당량이 있습니다. 모델 카드와 관련된 할당량에 대한 자세한 내용은 [Amazon SageMaker 엔드포인트 및 할당량](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html#limits_sagemaker)을 참조하세요.
### 공유 계정에 대한 AWS KMS 권한 설정
공유 중인 모델 카드가 AWS Key Management Service 키로 암호화된 경우 키에 대한 액세스 권한도 공유 계정과 공유해야 합니다. 그렇지 않으면 공유 계정의 사용자가 모델 카드를 보거나 업데이트하거나 내보낼 수 없습니다. 에 대한 개요는 단원을 AWS KMS참조하십시오[AWS Key Management Service](https://docs.aws.amazon.com/kms/latest/developerguide/overview.html).
공유 계정의 사용자에게 AWS KMS 권한을 제공하려면 다음 문으로 키 정책을 업데이트합니다.
```
{
"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"
}
}
}
```
위의 설명문은 공유 계정의 사용자에게 `kms:Decrypt`및 `kms:GenerateDataKey`권한을 제공합니다. `kms:Decrypt`를 사용하여 사용자는 모델 카드를 복호화할 수 있습니다. `kms:GenerateDataKey`를 사용하면 사용자가 업데이트한 모델 카드나 자신이 만든 PDF를 암호화할 수 있습니다.
### 리소스 공유 초대에 대한 응답 수신
리소스 공유를 생성하고 나면 리소스 공유에서 지정한 공유 계정에 가입하라는 초대가 전송됩니다. 초대를 수락해야 리소스에 액세스할 수 있습니다.
리소스 공유 초대 수락에 대한 자세한 내용은 *AWS Resource Access Manager 사용 설명서*의 [공유 AWS 리소스 사용을 ](https://docs.aws.amazon.com/ram/latest/userguide/getting-started-shared.html)참조하세요.
### 공유 계정에서 IAM 사용자 권한 설정
다음 정보는 모델 카드 계정의 리소스 공유 초대를 수락했다고 가정합니다. 리소스 공유 초대 수락에 대한 자세한 내용은 [공유 AWS 리소스 사용을 참조하세요](https://docs.aws.amazon.com/ram/latest/userguide/getting-started-shared.html).
귀하와 계정의 다른 사용자는 IAM 역할을 사용하여 모델 카드 계정에서 공유된 모델 카드에 액세스합니다. 다음 템플릿을 사용하여 IAM 역할의 정책을 변경할 수 있습니다. 템플릿을 자체 사용 사례에 맞게 수정할 수 있습니다.
------
#### [ 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/*"
}
]
}
```
------
를 사용하여 암호화된 모델 카드에 액세스하려면 계정의 사용자에게 다음 AWS KMS 권한을 제공해야 AWS KMS합니다.
```
{
"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"
}
```
# 모델 카드용 하위 수준 SageMaker API
Amazon SageMaker API 또는 AWS 명령줄 인터페이스()를 통해 Amazon SageMaker 모델 카드를 직접 생성할 수 있습니다AWS CLI.
**참고**
로우 레벨 API로 모델 카드를 생성할 때는 콘텐츠가 모델 카드 JSON 스키마에 있어야 하며 문자열로 제공되어야 합니다. 자세한 내용은 [모델 카드 JSON 스키마](model-cards.md#model-cards-json-schema)섹션을 참조하세요.
## SageMaker API
다음 SageMaker API 명령을 사용하여 Amazon SageMaker 모델 카드와 함께 작업할 수 있습니다.
+ [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
다음 AWS CLI 명령을 사용하여 Amazon SageMaker 모델 카드를 사용할 수 있습니다.
+ [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-job](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-model-card-export-job.html)
+ [describe-model-card-export-job](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/describe-model-card-export-job.html)
+ [list-model-card-export-jobs](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)
# 모델 카드 FAQ
Amazon SageMaker 모델 카드에 대한 일반적으로 묻는 질문에 대한 답변은 아래의 FAQ 항목을 참조하세요.
## Q: 모델 위험이란 무엇입니까?
A: 사이버 공격 예측 및 대출 신청 승인부터 이메일 범주 탐지에 이르기까지 다양한 비즈니스 애플리케이션에 대한 모델을 사용할 수 있습니다. 이러한 각 애플리케이션은 서로 다른 위험 수준을 가집니다. 예를 들어, 사이버 공격을 잘못 탐지하는 것은 이메일을 잘못 분류하는 것보다 비즈니스에 훨씬 더 큰 영향을 미칩니다. 모델의 이렇게 다양한 위험 프로필을 고려하면 모델 카드를 사용하여 모델에 대해 `low`, `medium`또는 `high`의 위험 등급을 제공할 수 있습니다. 모델의 위험도를 모르는 경우 상태를 `unknown`으로 설정할 수 있습니다. 고객은 각 모델에 대한 위험 프로필을 할당할 책임이 있습니다. 위험 등급에 따라 조직에서 해당 모델을 프로덕션에 배포하기 위한 다양한 규칙을 적용할 수 있습니다. 자세한 내용은 [위험 등급](model-cards.md#model-cards-risk-rating)섹션을 참조하세요.
## Q: 모델의 용도는 무엇입니까?
모델의 용도는 프로덕션 애플리케이션에서 모델을 어떻게 사용해야 하는지를 설명합니다. 이는 모델을 배포해야 하는 인스턴스 유형과 같은 기술적 요구 사항을 넘어서는 것으로, 모델을 사용하여 생성할 애플리케이션 유형, 모델에서 적절한 성능을 기대할 수 있는 시나리오 또는 모델과 함께 사용할 데이터 유형을 의미합니다. 더 나은 모델 거버넌스를 위해 이 정보를 모델 카드에 제공하는 것이 좋습니다. 용도 필드에 일종의 모델 사양을 정의하여 모델 개발자와 소비자가 모델을 훈련하고 배포하는 동안 이 사양을 따르도록 할 수 있습니다. 자세한 내용은 [모델의 용도](model-cards.md#model-cards-intended-uses) 단원을 참조하십시오.
## Q. SageMaker AI는 모델 카드에 정보를 자동으로 채우나요?
SageMaker Python SDK 또는 AWS Console을 사용하여 모델 카드를 생성할 때 SageMaker AI는 훈련된 모델에 대한 정보를 자동으로 채웁니다. 여기에는 포괄적인 훈련 세부 정보와 `describe-model` API 직접 호출을 통해 사용할 수 있는 모든 모델 정보가 포함됩니다. Amazon SageMaker Studio에서 작업하는 경우 [DescribeModelPackage](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeModelPackage.html) API를 직접적으로 호출하여 모델 카드를 자동으로 채울 수 있습니다.
## Q: 모델 카드를 사용자 지정할 수 있습니까?
Amazon SageMaker 모델 카드에는 수정할 수 없는 정의된 구조가 있습니다. 이 구조는 모델 카드에서 캡처해야 하는 정보에 대한 지침을 제공합니다. 모델 카드의 구조는 변경할 수 없지만 모델 카드의 **추가 정보** 섹션에 있는 사용자 지정 속성을 통해 어느 정도 유연성이 도입되었습니다.
## Q: 모델 카드를 생성한 후 편집할 수 있습니까?
모델 카드에는 모델 카드와 관련된 버전이 있습니다. 지정된 모델 버전은 모델 카드 상태를 제외한 모든 속성에서 변경할 수 없습니다. 평가 지표, 설명 또는 용도와 같이 모델 카드를 변경하는 경우 SageMaker AI는 업데이트된 정보를 반영하기 위해 새 버전의 모델 카드를 생성합니다. 이는 모델 카드를 생성한 후에는 변조할 수 없도록 하기 위한 것입니다.
모델 카드는 Model Registry에서 모델 패키지 버전을 변경할 때마다 자동으로 업데이트됩니다.
## Q. SageMaker AI를 사용하여 훈련되지 않은 모델을 위한 모델 카드를 생성할 수 있나요?
A: 예. SageMaker AI에서 훈련되지 않은 모델을 위한 모델 카드를 생성할 수 있지만 카드에 정보가 자동으로 채워지지는 않습니다. SageMaker AI 모델이 아닌 경우 모델 카드에 필요한 모든 정보를 제공해야 합니다.
## Q.모델 카드를 내보내거나 공유할 수 있습니까?
A: 예. 모델 카드의 각 버전을 PDF로 내보내고, 다운로드하고, 공유할 수 있습니다.
## Q.모델 카드를 사용하려면 모델 레지스트리에 모델을 등록해야 합니까?
A: 모델 카드는 SageMaker AI 콘솔과 Model Registry를 통해 액세스할 수 있습니다. Model Registry를 사용하면 모델의 각 버전에 대한 모델 카드가 자동으로 수신됩니다.
## Q.모델 카드와 모델 레지스트리의 차이는 무엇입니까?
A: 모델 카드는 SageMaker AI의 권장 가이드를 따르고 자체 사용자 지정 정보를 제공하여 조직에 모델에 대한 세부 정보를 원하는 만큼 문서화할 수 있는 메커니즘을 제공하기 위한 것입니다. ML 프로세스 초기에 모델 카드를 도입하고 이를 사용하여 모델이 해결해야 하는 비즈니스 문제와 모델을 사용할 때 고려해야 할 사항을 정의할 수 있습니다. 모델을 훈련시킨 후에는 해당 모델과 관련된 모델 카드에 모델 및 훈련 방법에 대한 정보를 채울 수 있습니다. 모델 카드는 모델과 연결되며 모델과 연결되면 변경할 수 없습니다. 이를 통해 모델 카드는 훈련 방법 및 사용 방법 등 모델과 관련된 모든 정보를 한 곳에서 확인할 수 있습니다.
모델 레지스트리는 모델에 대한 메타데이터를 저장하는 카탈로그입니다. 모델 레지스트리의 각 항목은 고유한 모델 버전에 해당합니다. 이 모델 버전에는 Amazon S3에서 모델 아티팩트가 저장되는 위치, 모델을 배포하는 데 필요한 컨테이너, 모델에 첨부해야 하는 사용자 지정 메타데이터와 같은 모델에 대한 정보가 포함되어 있습니다. 각 모델 패키지 버전에는 모델 카드가 연결되어 있습니다.
## Q. 모델 카드와 모델 레지스트리는 어떤 관계가 있나요?
A: 모델 카드는 Model Registry 객체에 통합됩니다. Model Registry의 각 모델 패키지 버전은 해당 모델 카드에 연결됩니다. [ModelPackageModelCard](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ModelPackageModelCard.html) API를 사용하여 각 버전의 모델 카드 스키마에 액세스할 수 있습니다.
## Q: 모델 카드 버전은 모델 레지스트리의 모델 버전과 관련이 있습니까?
A: 예, 모델 카드와 Model Registry의 모델 간에는 1:1 관계가 있습니다. Model Registry에 저장된 각 모델 버전에는 정확히 하나의 상응하는 모델 카드가 연결되어 있습니다.
## Q.모델 카드가 SageMaker 모델 모니터와 통합되어 있습니까?
A: 아니요.지표 파일을 Amazon S3에 업로드하고 카드에 연결하여 SageMaker 모델 모니터에서 계산한 성능 지표를 모델 카드에 업로드할 수 있지만, 모델 모니터와 모델 카드 간에는 기본적으로 통합되지 않습니다. 모델 대시보드는 모델 모니터와 통합됩니다. 모델 대시보드에 대한 자세한 내용은 [Amazon SageMaker 모델 대시보드](https://docs.aws.amazon.com/sagemaker/latest/dg/model_dashboard.html)를 참조하세요.
# Amazon SageMaker Assets을 사용하여 자산에 대해 제어된 액세스
Amazon SageMaker Assets을 사용하여 조직에 속한 *자산*, 모델 또는 데이터 테이블에 대한 제어된 액세스 및 규제된 액세스를 제공합니다. SageMaker Assets 내에서 다른 AWS 계정의 사용자는 추가 관리자 오버헤드 없이 특정 비즈니스 문제와 관련된 자산을 만들고 공유할 수 있습니다. 사용자는 ID에 권한을 정적으로 연결하는 대신 활성 워크플로에 사용 중인 자산에 대한 권한을 제공할 수 있습니다.
자산은 ML 자산 또는 데이터 자산입니다. ML 자산은 Amazon SageMaker Feature Store 특성 그룹 또는 SageMaker Model Registry 모델 그룹을 가리키는 메타데이터입니다. 데이터 자산은 Amazon Redshift 테이블을 가리키는 메타데이터입니다 AWS Glue .
예를 들어 모델 그룹의 자산에는 모델 그룹 이름과 모델 패키지 그룹의 Amazon 리소스 이름(ARN)이 포함됩니다. 자산은 기본 모델 컬렉션을 가리킵니다. 자산 자체를 사용자 간에 공유할 수 있습니다.
사용자는 자체 프로젝트에 대한 자산을 만들 수 있습니다. 이러한 프로젝트의 구성원이 아닌 사용자에게 이를 표시할 수 있습니다. 프로젝트 멤버가 아닌 사용자는 자산을 검색하고 메타데이터를 읽을 수 있습니다. 메타데이터를 사용하여 기본 데이터 소스에 액세스할지를 결정할 수 있습니다.
SageMaker Assets 워크플로를 더 잘 이해하려면 조직에 그룹 A와 그룹 B라는 두 개의 사용자 그룹이 있다고 가정해 보세요. 그룹 A의 사용자는 주택 가격을 예측하려고 합니다. 이들은 다른 AWS 계정에 있는 그룹 B의 사용자와 협업하려고 합니다. AWS Glue 테이블에 저장된 주택 데이터가 있습니다. 또한 모델 그룹 내에 다른 모델이 모델 패키지로 저장되어 있습니다. SageMaker Assets를 사용하면 그룹 A의 사용자가 몇 번의 클릭만으로 그룹 B의 사용자와 AWS Glue 테이블 및 모델 패키지를 공유할 수 있습니다. 관리자 개입 없이 그룹 A의 사용자는 그룹 B의 사용자에게 정확하게 범위가 지정된 권한을 제공했습니다.
사용자는 자산을 만들고 게시하여 조직 전체에서 볼 수 있도록 할 수 있습니다. 다른 사용자는 이러한 자산에 대한 액세스를 요청할 수 있습니다.
**Topics**
+ [SageMaker Assets 설정(관리자 안내서)](sm-assets-set-up.md)
+ [자산 작업(사용자 안내서)](sm-assets-user-guide.md)
# SageMaker Assets 설정(관리자 안내서)
**중요**
SageMaker Assets은 Amazon SageMaker Studio에서만 사용할 수 있습니다. Amazon SageMaker Studio Classic을 사용하는 경우 Studio로 마이그레이션해야 합니다. Studio 및 Studio Classic에 대한 자세한 내용은 [Amazon SageMaker AI에서 제공하는 기계 학습 환경](machine-learning-environments.md) 섹션을 참조하세요. 마이그레이션에 대한 자세한 내용은 [Amazon SageMaker Studio Classic에서 마이그레이션](studio-updated-migrate.md) 섹션을 참조하세요.
비즈니스 요구 사항이 변화함에 따라 사용자는 비즈니스 문제가 발생할 때 이를 해결하기 위해 효과적으로 협업해야 합니다. 이를 해결하려면 사용자가 데이터와 모델을 서로 공유해야 합니다.
SageMaker Assets은 Amazon SageMaker Studio를 데이터 관리 서비스인 Amazon DataZone과 통합합니다. SageMaker Assets은 사용자가 모델과 데이터를 서로 공유할 수 있도록 도와주는 플랫폼입니다. 다음 정보를 사용하여 SageMaker Assets과 Amazon DataZone 간의 통합을 설정할 수 있습니다.
사업부 또는 조직에 대한 Amazon DataZone 도메인을 만듭니다. *도메인*은 Amazon DataZone의 핵심 기능입니다. 모든 사용자의 데이터와 모델이 도메인 내에 있습니다.
Amazon DataZone 도메인 내에서 사용자의 하위 집합은 특정 *프로젝트*에서 작업합니다. 프로젝트는 일반적으로 특정 비즈니스 문제와 관련이 있습니다. 프로젝트 내에서 멤버는 데이터세트와 모델을 만들 수 있습니다. 기본적으로 프로젝트 멤버는 해당 프로젝트 내의 데이터 및 모델에만 액세스할 수 있습니다. 조직 내 다른 사용자에게 데이터 및 모델에 대한 액세스를 제공할 수 있습니다.
프로젝트 내에서 환경을 만듭니다. 특히 SageMaker Assets의 경우 환경은 Amazon SageMaker Studio를 시작하는 데 사용되는 구성된 리소스 모음입니다. Amazon DataZone에서 사용되는 용어에 대한 자세한 내용은 [Terminology and concepts](https://docs.aws.amazon.com/datazone/latest/userguide/datazone-concepts.html)울 참조하세요.
**중요**
선택한 설정에 따라 Amazon SageMaker Studio는 다음 중 하나를 사용합니다.
Amazon DataZone이 Amazon SageMaker AI 환경의 일부로 만드는 Amazon SageMaker AI 도메인
Amazon DataZone으로 마이그레이션하는 기존 Amazon SageMaker AI 도메인
Amazon SageMaker AI 도메인에서 Studio에 액세스할 수 있지만 만든 프로젝트에서 Studio에 액세스하는 것이 좋습니다. Studio 액세스에 대한 자세한 내용은 [자산 작업(사용자 안내서)](sm-assets-user-guide.md) 섹션을 참조하세요.
## 새 SageMaker AI 도메인을 사용하여 Amazon DataZone 설정
다음 목록의 단계와 참조된 설명서를 사용하여 Amazon DataZone이 생성하는 Amazon SageMaker AI 도메인과 함께 Amazon DataZone을 설정합니다.
1. 사용자의 조직 또는 사업부에 해당하는 Amazon DataZone 도메인을 만듭니다. Amazon DataZone 도메인 만들기에 대한 자세한 내용은 [Create domains](https://docs.aws.amazon.com/datazone/latest/userguide/create-domain.html)을 참조하세요.
1. Amazon DataZone 내에서 SageMaker AI 블루프린트를 활성화합니다. SageMaker AI 블루프린트 활성화에 대한 자세한 내용은 [Amazon DataZone 도메인을 소유한 AWS 계정에서 기본 제공 블루프린트 활성화를 참조하세요](https://docs.aws.amazon.com/datazone/latest/userguide/working-with-blueprints.html#enable-default-blueprints).
1. 도메인 내 사용자가 해결 중인 비즈니스 문제에 해당하는 프로젝트를 도메인 내에 만듭니다. 프로젝트 만들기에 대한 자세한 내용은 [Create a new project](https://docs.aws.amazon.com/datazone/latest/userguide/create-new-project.html)를 참조하세요.
1. 템플릿으로 사용하여 사용자를 위한 SageMaker AI 환경을 만들 수 있는 환경 프로필을 만듭니다. 환경 프로필 만들기에 대한 자세한 내용은 [Create an environment profile](https://docs.aws.amazon.com/datazone/latest/userguide/create-environment-profile.html)을 참조하세요.
1. SageMaker AI 환경을 만듭니다. 프로젝트 내에서 사용자는 SageMaker AI 환경을 사용하여 Amazon SageMaker Studio를 시작합니다. 사용자가 Studio 내에서 자산을 만들고 SageMaker Assets를 사용하여 공유할 수 있습니다. 환경 만들기에 대한 자세한 내용은 [Create a new environment](https://docs.aws.amazon.com/datazone/latest/userguide/create-environment-profile.html)를 참조하세요.
1. SageMaker AI를 Amazon DataZone 내에서 신뢰할 수 있는 서비스 중 하나로 추가합니다. SageMaker AI를 서비스 중 하나로 추가하려면 [Amazon DataZone 도메인을 소유한 AWS 계정에서 SageMaker AI를 신뢰할 수 있는 서비스로 추가를](https://docs.aws.amazon.com/datazone/latest/userguide/working-with-blueprints.html#add-sagemaker-as-trusted-service) 참조하세요.
## SageMaker AI 도메인을 사용하여 Amazon DataZone 설정
다음 목록의 단계와 참조된 설명서를 사용하여 기존 Amazon SageMaker AI 도메인과 함께 Amazon DataZone을 설정합니다.
1. 사용자의 조직 또는 사업부에 해당하는 Amazon DataZone 도메인을 만듭니다. Amazon DataZone 도메인 만들기에 대한 자세한 내용은 [Create domains](https://docs.aws.amazon.com/datazone/latest/userguide/create-domain.html)을 참조하세요.
1. Amazon DataZone 내에서 SageMaker AI 블루프린트를 활성화합니다. 사용자 지정 블루프린트 활성화에 대한 자세한 내용은 [Amazon DataZone 사용자 지정 AWS 서비스 블루프린트를 참조하세요](https://docs.aws.amazon.com/datazone/latest/userguide/working-with-custom-blueprint.html).
1. 도메인 내 사용자가 해결 중인 비즈니스 문제에 해당하는 프로젝트를 도메인 내에 만듭니다. 프로젝트 만들기에 대한 자세한 내용은 [Create a new project](https://docs.aws.amazon.com/datazone/latest/userguide/create-new-project.html)를 참조하세요.
1. SageMaker AI를 Amazon DataZone 내에서 신뢰할 수 있는 서비스 중 하나로 활성화합니다. SageMaker AI를 서비스 중 하나로 활성화하려면 [ Amazon DataZone 도메인을 소유한 계정에서 신뢰할 수 있는 서비스로 Amazon SageMaker AI 추가를 AWS DataZone ](https://docs.aws.amazon.com/datazone/latest/userguide/working-with-blueprints.html#add-sagemaker-as-trusted-service)참조하세요.
1. SageMaker AI 도메인 내에서 Amazon DataZone 사용자를 생성합니다.
1. 기존 사용자를 Amazon DataZone 도메인에 온보딩합니다.
**참고**
SageMaker AI 사용자가 SSO이고 Amazon DataZone 도메인이 SSO인 경우 Amazon SageMaker AI 도메인의 사용자를 Amazon DataZone 도메인에 자동으로 매핑할 수 있습니다.
기존 SageMaker AI 사용자를 온보딩하려면 환경에서 [Amazon DataZone Import SageMaker AI Domain](https://github.com/aws/amazon-sagemaker-examples/tree/default/%20%20%20ml_ops/sm-datazone_import) 스크립트를 실행합니다. 의 이름과 Amazon SageMaker AI 도메인의 AWS 계정 ID AWS 리전 를 인수로 전달해야 합니다. 다음은 스크립트를 실행하는 AWS CLI 명령의 예입니다.
```
python example-script AWS 리전 111122223333
```
스크립트는 다음 작업을 수행합니다.
1. Amazon SageMaker AI 도메인 ID를 요청합니다.
1. Amazon DataZone 도메인 ID를 요청합니다.
1. Amazon DataZone 프로젝트를 요청합니다.
1. 가져오려는 사용자를 지정하라는 메시지가 표시됩니다.
1. 사용자 및 Amazon SageMaker AI 도메인에 태그를 추가합니다.
1. Amazon DataZone 사용자를 SageMaker AI 사용자 프로필에 매핑합니다. 각 SageMaker AI 사용자 프로필에 대해 스크립트는 Amazon DataZone 사용자 ID를 입력하라는 메시지를 표시합니다. 스크립트를 자체 사용 사례에 맞게 수정할 수 있습니다.
1. Amazon DataZone이 Amazon SageMaker AI 도메인에 액세스하고 마이그레이션할 수 있도록 페더레이션 역할을 환경에 연결합니다.
스크립트는 Amazon SageMaker AI 도메인의 각 사용자를 통과하고 Amazon DataZone 도메인에서 해당 사용자를 지정하라는 메시지를 표시합니다. Amazon DataZone 도메인의 사용자에 대한 태그를 해당 SageMaker AI 도메인의 사용자에게 자동으로 추가합니다. 또한 각 도메인의 사용자 간 매핑으로 사용자 지정 환경 블루프린트를 업데이트합니다.
**참고**
SageMaker AI 환경은 최신 버전의 SageMaker Distribution 이미지를 사용합니다. SageMaker AI Distribution 이미지에는 기계 학습을 위한 인기 있는 라이브러리 패키지가 있습니다. 자세한 내용은 [SageMaker Studio 이미지 지원 정책](sagemaker-distribution.md) 단원을 참조하십시오.
환경을 생성한 후 AWS Glue 및 Amazon Redshift 테이블과 데이터베이스를 생성할 수 있습니다. 자세한 내용은 [Query data in Athena or Amazon Redshift](https://docs.aws.amazon.com/datazone/latest/userguide/query-athena-with-deep-link-in-project.html)를 참조하세요.
## 사용자 권한 보기 및 수정
SageMaker AI 환경을 만든 후 조직의 요구 사항에 맞게 사용자의 권한을 변경할 수 있습니다. SageMaker AI 블루프린트는 모든 사용자에 대한 권한을 지정합니다. 사용자는 모든 SageMaker AI 서비스를 사용하여 작업을 수행할 수 있지만 권한은 Amazon DataZone 도메인 내에서 만든 리소스로 범위가 축소됩니다.
**중요**
만드는 환경은 제한된 권한과 권한 경계가 있는 IAM 역할을 사용합니다. 사용자의 권한을 변경하려면 권한 경계를 수정하거나 바꾸면 됩니다. 예를 들어 환경 내에서 만든 Amazon S3 버킷과 같은 리소스에 사용자가 액세스해야 하는 경우 권한 경계를 변경할 수 있습니다.
SageMaker AI 도메인을 만드는 데 사용된 IAM 역할의 ARN에서 권한을 볼 수 있습니다.
다음 절차에 따라 사용자의 IAM 역할 권한을 보거나 편집할 수 있습니다.
**사용자의 권한을 보거나 편집하는 방법**
1. [Amazon SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker)을 엽니다.
1. **도메인(Domains)**을 선택합니다.
1. Amazon DataZone 도메인과 이름이 동일한 도메인의 이름을 선택합니다.
1. **도메인 설정** 선택합니다.
1. **실행 역할**에서 실행 역할의 ARN을 복사합니다.
1. [IAM 콘솔](https://console.aws.amazon.com/IAM)을 엽니다.
1. **역할**을 선택합니다.
1. ARN을 붙여넣고 마지막 슬래시 뒤에 있는 역할 이름을 제외한 모든 항목을 삭제합니다.
1. 권한을 볼 역할을 선택합니다.
1. **권한**에서 조직의 요구 사항에 맞게 정책을 수정합니다.
1. (선택 사항) **권한 경계**를 선택하고 **권한 경계 설정**을 선택합니다.
1. 권한 경계로 설정할 정책을 선택합니다.
# 자산 작업(사용자 안내서)
SageMaker Assets을 사용하여 조직의 다른 개인과 기계 학습 프로젝트에서 원활하게 협업할 수 있습니다. SageMaker Assets를 사용하면 사용자와 공동 작업자가 모델과 데이터 테이블을 만들고 서로 공유합니다. SageMaker Assets 내에서 이러한 모델 및 데이터 테이블을 *자산*이라고 합니다.
SageMaker Assets은 Amazon SageMaker Studio 내의 기능입니다. 사용자 또는 관리자가 Amazon DataZone 프로젝트 내에 Studio 환경을 만듭니다. Amazon DataZone 설정에 대한 자세한 내용은 [SageMaker Assets 설정(관리자 안내서)](sm-assets-set-up.md) 섹션을 참조하세요.
자산은 ML 자산 또는 데이터 자산입니다. ML 자산은 다음을 가리키는 메타데이터입니다.
+ Feature Store 특성 그룹
+ SageMaker AI 모델 그룹
기본 모델 그룹과 특성 그룹은 데이터의 소스입니다. 특성 그룹 또는 모델 그룹을 업데이트하면 모델 그룹 또는 특성 그룹의 자산이 하루 내에 업데이트됩니다.
데이터 자산은 다음을 가리키는 메타데이터입니다.
+ Amazon Redshift 테이블
+ AWS Glue 테이블
데이터 자산의 경우 데이터 소스는 AWS Glue 테이블 및 Amazon Redshift 테이블에서 메타데이터를 자산으로 가져오는 메커니즘입니다. 예를 들어 데이터 소스는 AWS Glue 테이블의 메타데이터를 해당 테이블의 자산으로 가져옵니다.
자산을 게시하여 조직의 모든 사람이 자산을 볼 수 있도록 할 수 있습니다. 개인은 자산의 메타데이터를 검토하고 액세스를 요청할 수 있습니다. 액세스를 제공하면 기본 기계 학습 데이터 소스 또는 테이블에 액세스할 수 있습니다.
관리자가 특성 그룹, 모델 그룹 및 테이블에 대한 액세스 권한을 부여했을 가능성이 큽니다. 부여하지 않은 경우 [SageMaker Assets 설정(관리자 안내서)](sm-assets-set-up.md)의 정보를 참조하여 시작하는 데 도움을 받으세요.
다음 섹션에서는 특성 그룹 및 모델 그룹에 대한 참조 정보를 제공합니다.
## 특성 그룹
Amazon SageMaker Feature Store는 특성을 저장하고 관리하는 데 도움이 되는 중앙 위치를 제공합니다. 특성 엔지니어링에 사용할 수 있는 고성능 리포지토리입니다.
Feature Store 내에서 특성은 특성 그룹에 저장됩니다. 특성 그룹은 작업 중인 프로젝트와 관련된 특성 모음입니다. 예를 들어 주택 가격 예측과 관련된 프로젝트를 수행하는 경우 특성 그룹에 위치 또는 침실 수와 같은 기능이 포함될 수 있습니다.
특성 그룹을 사용하여 특성 엔지니어링 프로세스를 간소화하는 방법에 대한 자세한 내용은 [Feature Store로 특성 만들기, 저장 및 공유](feature-store.md) 섹션을 참조하세요.
## 모델 그룹
SageMaker Model Registry 내에서 SageMaker AI 모델 그룹을 사용하여 다양한 버전의 모델을 구성하고 관리할 수 있습니다. 모델의 다양한 버전을 비교하여 사용 사례에 성능이 가장 좋은 버전을 확인할 수 있습니다. SageMaker Model Registry에 대한 자세한 내용은 [Model Registry를 사용한 모델 등록 배포](model-registry.md) 섹션을 참조하세요.
다음은 Amazon Redshift 및 AWS Glue에 대한 배경 정보입니다.
Amazon Redshift는 대규모 데이터세트에서 빠른 쿼리 성능을 제공하는 대규모 데이터 웨어하우징 서비스입니다. Amazon Redshift에 대한 자세한 내용은 [Amazon Redshift Serverless](https://docs.aws.amazon.com/redshift/latest/gsg/new-user-serverless.html)를 참조하세요.
AWS Glue 는 데이터 준비 프로세스를 간소화하는 데 사용할 수 있는 추출, 변환, 로드(ETL) 서비스입니다. 에 대한 자세한 내용은 란 무엇입니까?를 AWS Glue참조하십시오. [AWS Glue](https://docs.aws.amazon.com/glue/latest/dg/what-is-glue.html)
SQL 편집기를 사용하여 AWS Glue 및 Amazon Redshift 데이터베이스를 연결하고 쿼리를 실행할 수 있습니다. SageMaker Assets의 편집기에서 만든 모든 테이블을 공유할 수 있습니다. 자세한 내용은 [Studio에서 SQL을 사용하여 데이터 준비](sagemaker-sql-extension.md) 단원을 참조하십시오.
**Topics**
+ [용어 및 개념](#sm-assets-terminology)
+ [1단계: SageMaker Assets 액세스](#sm-assets-access)
+ [2단계: 자산 공유 및 공유된 자산에 대한 액세스 관리](#sm-assets-share)
+ [3단계: 액세스 요청 관리](#sm-assets-manage-requests)
+ [4단계: 자산 찾기 및 찾은 자산에 대한 액세스 요청](#sm-assets-request-access)
+ [5단계: 기계 학습 워크플로에서 공유 자산 사용](#sm-assets-consume)
## 용어 및 개념
SageMaker Assets 사용을 시작하기 전에 다음과 같은 용어 및 개념을 익히면 도움이 됩니다.
+ 자산 - 공유하는 모델 또는 데이터 테이블을 가리키는 메타데이터입니다. 다른 사람이 소유하는 자산에 대한 액세스를 요청하거나 자신의 자산을 다른 사람과 공유할 수 있습니다. 사용자와 팀원은 자산과 연결된 기본 데이터 테이블 또는 모델에 액세스합니다.
+ 구독한 자산 - 자산에 대한 액세스를 요청하려면 구독 요청을 제출합니다. 요청이 승인되면 구독한 자산 아래에 자산이 표시됩니다.
+ 소유 자산 - 팀원과 공유한 자산입니다.
+ 자산 카탈로그 - 조직 전체에 공유한 자산입니다.
## 1단계: SageMaker Assets 액세스
SageMaker Assets에 액세스하여 자산을 보고 다른 사용자와 공유합니다. 다음 정보를 이용하여 사용을 시작하는 데 도움을 받으세요.
Amazon DataZone 도메인 내의 *프로젝트*에서 SageMaker Assets에 액세스합니다. 프로젝트는 사용자와 팀원 간의 공동 작업입니다. 프로젝트 내에서 사용자와 프로젝트의 다른 멤버는 사용자와 다른 팀원이 인벤토리 카탈로그 내에서 만드는 자산에 액세스할 수 있습니다. 자산을 게시된 카탈로그에 게시하여 조직의 다른 개인이 자산을 볼 수 있도록 할 수 있습니다.
이러한 개인은 자산에 대한 액세스를 요청할 수 있습니다. 액세스 권한을 제공하면 업데이트된 데이터 소스에 액세스할 수 있습니다. 예를 들어 업데이트하는 AWS Glue 테이블을 구독하는 개인은 업데이트된 AWS Glue 테이블에 실시간으로 액세스할 수 있습니다.
다음 절차에 따라 SageMaker Assets에 액세스합니다.
**SageMaker Assets에 액세스하는 방법**
1. [Amazon DataZone](https://console.aws.amazon.com/datazone) 콘솔을 엽니다.
1. **도메인 보기**를 선택합니다.
1. 프로젝트가 포함된 도메인 옆에 있는 **데이터 포털 열기**를 선택합니다.
1. **분석 도구**에서 **SageMaker AI Studio**를 선택합니다.
1. **Amazon SageMaker AI 열기**를 선택합니다.
1. **자산**을 선택합니다.
사용자와 공유된 자산은 **구독한 자산** 아래에 있습니다. 사용자와 프로젝트 멤버가 만드는 자산은 **소유 자산** 아래에 있습니다. 사용자와 조직의 다른 구성원이 게시한 자산은 **자산 카탈로그**에 있습니다.
## 2단계: 자산 공유 및 공유된 자산에 대한 액세스 관리
기계 학습 모델, 특성 그룹 또는 데이터 테이블을 만든 후 프로젝트에서 협업하는 개인이 또는 더 광범위하게 조직에서 볼 수 있도록 할 수 있습니다. 자산에 대한 액세스 요청에 응답할 수 있습니다. 개인의 요청을 승인하면 해당 개인이 자산의 기본 데이터 소스를 수정할 수 있습니다.
자산을 공유할 때는 두 가지 옵션이 있습니다.
+ 자산 카탈로그에 게시 - 조직의 모든 사람이 자산을 볼 수 있도록 합니다.
+ 인벤토리에 게시 - 프로젝트를 수행하는 모든 사람이 자산을 볼 수 있도록 합니다.
자산을 자산 카탈로그에 게시한 경우 조직의 개인은 자산 카탈로그에서 자산을 찾을 수 있습니다. 이들은 자산의 메타데이터를 보고 해당 메타데이터에 대한 액세스를 요청할지를 결정할 수 있습니다. 요청을 승인하면 이들이 기본 데이터 소스에 액세스할 수 있습니다.
인벤토리에 게시하는 경우 사용자와 프로젝트의 다른 멤버는 추가 작업 없이 자산에 액세스할 수 있습니다.
인벤토리에 게시된 자산은 **소유 자산** 아래에만 표시됩니다. 카탈로그에 게시된 자산은 **소유 자산** 및 **자산 카탈로그** 아래에 표시됩니다.
데이터 테이블을 게시할 때 기본 테이블 또는 Amazon Redshift AWS Glue 테이블에서 메타데이터를 자산으로 가져오는 데이터 소스를 생성해야 합니다. 다음 절차에 따라 AWS Glue 또는 Amazon Redshift 테이블을 게시합니다.
------
#### [ Publish an AWS Glue table ]
AWS Glue 테이블에 대한 자산을 게시하려면 해당 테이블에 대한 데이터 소스를 생성하고 게시합니다. 데이터 소스는 AWS Glue 테이블에서 메타데이터를 자산으로 가져오는 메커니즘입니다.
다음 절차에 따라 AWS Glue 테이블을 게시합니다.
**AWS Glue 테이블을 게시하려면**
1. **SageMaker Assets** 랜딩 페이지로 이동합니다.
1. **소유 자산**을 선택합니다.
1. **데이터 소스 보기**를 선택합니다.
1. **데이터 소스 생성**을 선택합니다.
1. **이름**에서 데이터 소스의 이름을 지정합니다.
1. **설명**에 설명을 입력합니다.
1. **유형**에서 **AWS Glue**를 선택합니다.
1. **데이터 선택**에서 AWS Glue 테이블이 포함된 데이터베이스를 선택합니다.
1. **테이블 선택 기준**에서 테이블의 이름을 지정합니다.
**참고**
둘 이상의 테이블을 지정할 수 있지만 테이블 이름을 하나만 제공하는 것이 좋습니다.
1. **다음**을 선택합니다.
1.
+ **카탈로그에 자산 게시**에서 **예**를 선택하여 자산 카탈로그에 게시합니다.
+ **카탈로그에 자산 게시**에서 **아니요**를 선택하여 자산 카탈로그에 게시합니다.
1. **다음**을 선택합니다.
1. **자산 세부 정보**에서 **일정에 따라 실행** 또는 **온디맨드 실행**을 선택하여 AWS Glue 테이블의 메타데이터를 자산으로 가져오는 방법을 결정합니다.
1. (선택 사항) **일정에 따라 실행**을 선택한 경우 메타데이터를 자산으로 가져오는 일정을 지정합니다.
1. **다음**을 선택합니다.
1. **생성(Create)**을 선택합니다.
1. (선택 사항) 일정을 만들지 않은 경우 **실행**을 선택하여 AWS Glue 테이블의 메타데이터를 자산으로 가져옵니다.
------
#### [ Publish an Amazon Redshift table ]
Amazon Redshift 테이블의 자산을 게시하려면 테이블의 데이터 소스를 만들고 게시합니다. 데이터 소스는 Amazon Redshift 테이블에서 메타데이터를 자산으로 가져오는 메커니즘입니다.
다음 절차에 따라 Amazon Redshift 테이블을 게시합니다.
**Amazon Redshift 테이블을 게시하는 방법**
1. **SageMaker Assets** 랜딩 페이지로 이동합니다.
1. **소유 자산**을 선택합니다.
1. **데이터 소스 보기**를 선택합니다.
1. **데이터 소스 생성**을 선택합니다.
1. **이름**에서 데이터 소스의 이름을 지정합니다.
1. **설명**에 설명을 입력합니다.
1. **유형**에서 **Amazon Redshift**를 선택합니다.
1.
+ **Redshift 클러스터**를 선택합니다.
1. **Redshift 클러스터**의 경우 테이블의 데이터베이스를 포함하는 Amazon Redshift 클러스터의 이름을 지정합니다.
1. **보안** 암호에서 클러스터의 자격 증명이 포함된 AWS Secrets Manager 보안 암호의 이름을 지정합니다.
+ **Redshift 서버리스**를 선택합니다.
1. **Redshift 작업 그룹**의 경우 테이블의 데이터베이스를 포함하는 Amazon Redshift 작업 그룹의 이름을 지정합니다.
1. **보안** 암호에서 작업 그룹의 자격 증명이 포함된 AWS Secrets Manager 보안 암호의 이름을 지정합니다.
1. **게시 소스 선택**에서 Amazon Redshift 테이블이 포함된 데이터베이스를 선택합니다.
1. **테이블 선택 기준**에서 테이블의 이름을 지정합니다.
**참고**
둘 이상의 테이블을 지정할 수 있지만 테이블 이름을 하나만 제공하는 것이 좋습니다.
1. **다음**을 선택합니다.
1.
+ **카탈로그에 자산 게시**에서 **예**를 선택하여 자산 카탈로그에 게시합니다.
+ **카탈로그에 자산 게시**에서 **아니요**를 선택하여 자산 카탈로그에 게시합니다.
1. **다음**을 선택합니다.
1. **자산 세부 정보**에서 **일정에 따라 실행** 또는 **온디맨드 실행**을 선택하여 Amazon Redshift 테이블의 메타데이터를 자산으로 가져오는 방법을 결정합니다.
1. (선택 사항) **일정에 따라 실행**을 선택한 경우 메타데이터를 자산으로 가져오는 일정을 지정합니다.
1. **다음**을 선택합니다.
1. **생성(Create)**을 선택합니다.
1. (선택 사항) 일정을 만들지 않은 경우 **실행**을 선택하여 Amazon Redshift 테이블의 메타데이터를 자산으로 가져옵니다.
------
다음 절차에 따라 특성 그룹 또는 모델 패키지 그룹의 자산을 게시합니다.
------
#### [ Publish a feature group ]
다음 절차에 따라 만든 특성 그룹으로 이동하여 소유 자산 또는 자산 카탈로그에 게시합니다.
**특성 그룹을 소유 자산 또는 자산 카탈로그에 게시하는 방법**
1. Studio의 왼쪽 탐색 메뉴에서 **데이터**를 선택합니다.
1. 게시하려는 특성 그룹을 선택합니다.
1. ![\[\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/sm-assets-publish-icon.png) 아이콘을 선택합니다.
1.
+ **자산 카탈로그에 게시**를 선택하여 자산 카탈로그에 게시합니다.
+ **인벤토리에 게시**를 선택하여 그룹의 소유 자산에 게시합니다.
------
#### [ Publish a model group ]
다음 절차에 따라 만든 작업 그룹으로 이동하여 소유 자산 또는 자산 카탈로그에 게시합니다.
**모델 그룹을 소유 자산 또는 자산 카탈로그에 게시하는 방법**
1. Studio의 왼쪽 탐색 메뉴에서 **모델**을 선택합니다.
1. 게시하려는 모델 그룹을 선택합니다.
1. ![\[\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/sm-assets-publish-icon.png) 아이콘을 선택합니다.
1.
+ **자산 카탈로그에 게시**를 선택하여 자산 카탈로그에 게시합니다.
+ **인벤토리에 게시**를 선택하여 그룹의 소유 자산에 게시합니다.
------
다음 절차에 따라 소유 자산의 자산을 자산 카탈로그에 게시합니다.
**SageMaker Assets 페이지의 자산을 게시하는 방법**
1. Studio 내에서 **자산**으로 이동합니다.
1. **소유 자산**을 선택합니다.
1. 검색 창에 자산 이름을 지정합니다.
1. 자산을 선택합니다.
1. **게시**를 선택합니다.
다음 SageMaker Python SDK 코드를 사용하여 특성 그룹 또는 모델 패키지 그룹을 게시할 수 있습니다. 코드는 사용자가 이미 특성 그룹 또는 모델 패키지 그룹을 만들었다고 가정합니다.
```
from sagemaker.asset import AssetManager
publisher = AssetPublisher()
publisher.publish_to_catalog(name-of-your-feature-group-or-model-package)
```
## 3단계: 액세스 요청 관리
자산을 게시한 후 프로젝트 외부 사용자가 해당 자산에 액세스하려고 할 수 있습니다. 액세스 요청을 제공, 거부 또는 취소할 수 있습니다. 또한 자산을 삭제하여 기본 데이터 소스를 본인만 사용할 수 있도록 할 수 있습니다.
다음 절차에 따라 구독 요청에 응답합니다.
**구독 요청을 승인하는 방법**
1. **SageMaker Assets** 페이지로 이동합니다.
1. **자산 관리**를 선택합니다.
1. **수신 구독 요청**을 선택합니다.
1.
+ (선택 사항) **승인**을 선택하고 이유를 입력합니다.
+ (선택 사항) **거부**를 선택합니다.
이전에 승인한 자산에 대한 액세스를 취소할 수 있습니다. 액세스를 취소하기로 선택하면 사용자는 자산과 기본 자산. 소스 모두에 대한 액세스 권한을 잃게 됩니다. 다음 절차에 따라 액세스 권한을 취소합니다.
**액세스를 취소하는 방법**
1. **SageMaker Assets** 페이지로 이동합니다.
1. **자산 관리**를 선택합니다.
1. **수신 구독 요청**을 선택합니다.
1. **승인됨** 탭을 선택합니다.
1. 자산 옆의 **취소**를 선택합니다.
자산을 게시 취소할 수도 있으며 그럴 경우 소유 자산으로만 표시됩니다. 리소스 카탈로그에는 자산이 표시되지 않지만, 구독 요청이 승인된 개인은 여전히 자산에 액세스할 수 있습니다.
**자산을 게시 취소하는 방법**
1. **SageMaker Assets** 페이지로 이동합니다.
1. **소유 자산**에서 게시 취소하려는 자산을 선택합니다.
1. **게시 취소**를 선택합니다.
자산을 게시 취소한 페이지에서 자산을 삭제할 수도 있습니다. 자산을 삭제해도 데이터 소스는 삭제되지 않습니다. 자산 삭제는 프로젝트 또는 조직의 다른 멤버가 자산을 볼 수 없게 합니다.
## 4단계: 자산 찾기 및 찾은 자산에 대한 액세스 요청
다른 사용자가 리소스 카탈로그에 게시한 자산에 대한 액세스를 요청할 수 있습니다. 다른 사용자가 구독 요청을 승인하면 기본 데이터 소스에 액세스할 수 있습니다.
SageMaker Assets 페이지 상단에서 검색 쿼리를 지정하여 조직의 다른 사용자가 게시한 자산을 찾을 수 있습니다. 자산 유형을 선택하여 게시된 자산 중 해당 유형의 자산을 모두 볼 수도 있습니다. 예를 들어 **Glue 테이블**을 선택하여 게시된 AWS Glue 테이블을 모두 볼 수 있습니다.
자산 이름 바로 아래에서 자산 유형을 볼 수도 있습니다. 다음은 자산 유형에 사용할 수 있는 이름입니다.
+ Redshift 테이블
+ Glue 테이블
+ 모델
+ 특성 그룹
**참고**
다음 저장소의 특성 그룹에는 **Glue 테이블** 유형이 있습니다.
오프라인
오프라인 및 온라인
**구독을 요청하는 방법**
1. **SageMaker Assets** 페이지로 이동합니다.
1.
+ 검색 창에서 자산의 이름을 지정하고 **검색**을 선택합니다.
+ **유형**에서 자산 유형을 선택하고 리소스 카탈로그 내에서 액세스하려는 자산을 찾습니다.
1. 자산을 선택합니다.
1. **구독**을 선택합니다.
1. 요청 이유를 입력합니다.
1. **제출**을 선택합니다.
구독 요청은 **자산 요청 관리**의 **발신 구독 요청** 아래에 나타납니다. 자산 게시자가 요청을 승인하면 **구독한 자산** 아래에 표시됩니다. 이제 기계 학습 워크플로에서 Amazon Redshift, AWS Glue 테이블 또는 ML 데이터 소스를 사용할 수 있습니다.
## 5단계: 기계 학습 워크플로에서 공유 자산 사용
자산에 대한 구독 요청이 승인된 경우 기계 학습 워크플로에서 사용할 수 있습니다.
액세스 권한이 부여된 특성 그룹은 Studio의 특성 그룹 목록에 표시됩니다.
액세스 권한이 부여된 모델 그룹은 Studio의 모델 그룹 목록에 나타납니다. SageMaker Assets의 모델 레지스트리에서 모델 그룹을 열 수 있습니다. 다음 절차에 따라 모델 레지스트리 내에서 모델 그룹을 엽니다. **구독한 자산**.
**SageMaker Assets에서 모델 그룹을 여는 방법**
1. 모델 그룹을 선택합니다.
1. **Model Registry에서 열기**를 선택합니다.
SageMaker Canvas 내의 Data Wrangler에서 AWS Glue 또는 Amazon Redshift 테이블에 액세스할 수 있습니다. SageMaker Canvas는 탐색 데이터 분석(EDA)을 수행하고 코드 없이 모델을 훈련할 수 있는 애플리케이션입니다. SageMaker Canvas에 대한 자세한 내용은 [Amazon SageMaker Canvas](canvas.md) 섹션을 참조하세요.
SQL 확장을 사용하여 AWS Glue 또는 Amazon Redshift 테이블의 데이터를 Jupyter 노트북으로 가져올 수도 있습니다. 기계 학습 워크플로를 위해 데이터를 pandas 데이터프레임으로 변환할 수 있습니다. 자세한 내용은 [Studio에서 SQL을 사용하여 데이터 준비](sagemaker-sql-extension.md) 단원을 참조하십시오.
# Amazon SageMaker 모델 대시보드
Amazon SageMaker Model Dashboard는 SageMaker AI 콘솔에서 액세스할 수 있는 중앙 집중식 포털로서, 계정의 모든 모델을 보고, 검색하고, 탐색할 수 있습니다. 추론을 위해 배포된 모델과 해당 모델이 배치 변환 작업에 사용되는지 또는 엔드포인트에서 호스팅되는지 추적할 수 있습니다. Amazon SageMaker 모델 모니터로 모니터를 설정하면 모델이 라이브 데이터에 대한 실시간 예측을 수행할 때 모델의 성능을 추적할 수도 있습니다. 대시보드를 사용하여 데이터 품질, 모델 품질, 바이어스 및 설명 가능성에 대해 설정한 임계값을 위반하는 모델을 찾을 수 있습니다. 대시보드에 모든 모니터 결과가 포괄적으로 표시되므로 이러한 지표가 구성되지 않은 모델을 신속하게 식별할 수 있습니다.
모델 대시보드는 여러 SageMaker AI 기능에서 모델 관련 정보를 집계합니다. 모델 모니터에서 제공하는 서비스 외에도 모델 카드를 보고, 워크플로 계보를 시각화하고, 엔드포인트 성능을 추적할 수 있습니다. 더 이상 로그를 정렬하거나, 노트북에서 쿼리하거나, 필요한 데이터를 수집하기 위해 다른 AWS 서비스에 액세스할 필요가 없습니다. 일관된 사용자 경험과 기존 서비스와의 통합을 통해 SageMaker AI의 모델 대시보드는 모든 모델에 걸쳐 품질 적용 범위를 보장하는 데 도움이 되는 즉시 사용 가능한 모델 거버넌스 솔루션을 제공합니다.
**사전 조건**
모델 대시보드를 사용하려면 계정에 하나 이상의 모델이 있어야 합니다. Amazon SageMaker AI를 사용하여 모델을 훈련하거나 다른 곳에서 훈련한 모델을 가져올 수 있습니다. SageMaker AI에서 모델을 생성하려면 `CreateModel` API를 사용할 수 있습니다. 자세한 내용은 [CreateModel](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html)을 참조하세요. 모델 훈련 및 배포를 설정하는 프로젝트 템플릿을 제공하는 Amazon SageMaker Studio Classic과 같이 SageMaker AI에서 제공하는 ML 환경을 사용할 수도 있습니다. Studio Classic을 시작하는 방법에 대한 자세한 내용은 [Amazon SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/studio.htm)을 참조하세요.
필수 사전 조건은 아니지만 고객이 엔드포인트에 배포된 모델에 대해 SageMaker 모델 모니터를 사용하여 모델 모니터링 작업을 설정하면 대시보드의 가치를 극대화할 수 있습니다. SageMaker 모델 모니터를 사용하는 방법에 대한 사전 조건 및 지침은 [Amazon SageMaker Model Monitor를 사용한 데이터 및 모델 품질 모니터링](model-monitor.md)섹션을 참조하세요.
## 모델 대시보드 요소
모델 대시보드 뷰는 각 모델에서 하리 레벨 세부 정보를 추출하여 계정 내 모든 모델에 대한 포괄적인 요약을 제공합니다. 추론을 위해 모델을 배포한 경우 대시보드를 통해 모델 및 엔드포인트의 성능을 실시간으로 추적할 수 있습니다.
이 페이지에서 강조해야 할 중요한 세부 정보는 다음과 같습니다.
+ **위험 등급**: 모델 카드의 사용자 지정 파라미터로 **낮음**, **중간** 또는 **높음** 값을 가집니다. 모델 카드의 위험 등급은 모델 예측이 비즈니스에 미치는 영향을 카테고리별로 측정한 것입니다. 모델은 다양한 비즈니스 애플리케이션에 사용되며, 각 애플리케이션마다 서로 다른 위험 수준을 가정합니다. 예를 들어, 사이버 공격을 잘못 탐지하는 것은 이메일을 잘못 분류하는 것보다 비즈니스에 훨씬 더 큰 영향을 미칩니다. **모델 위험을 모르는 경우 알 수 없음으로 설정할 수 있습니다**. Amazon SageMaker 모델 카드에 대한 자세한 내용은 [모델 카드](https://docs.aws.amazon.com/sagemaker/latest/dg/model-cards.html)를 참조하세요.
+ 모델 모니터 알림: 모델 모니터 알림은 모델 대시보드의 주요 초점이며, SageMaker AI에서 제공하는 다양한 모니터에 대한 기존 문서를 검토하는 것이 시작하는 데 도움이 됩니다. SageMaker 모델 모니터 기능 및 샘플 노트북에 대한 심층적인 설명은 [Amazon SageMaker Model Monitor를 사용한 데이터 및 모델 품질 모니터링](model-monitor.md)섹션을 참조하세요.
모델 대시보드에는 다음 모니터 유형별로 모델 모니터 상태 값이 표시됩니다.
+ 데이터 품질: 라이브 데이터를 훈련 데이터와 비교합니다.** 서로 다를 경우 모델의 추론이 더 이상 정확하지 않을 수 있습니다. 데이터 품질 모니터에 대한 추가 세부 정보는 [데이터 품질](model-monitor-data-quality.md)섹션을 참조하세요.
+ 모델 품질: 모델이 예측한 결과를 모델이 예측하려고 시도하는 실제 Ground Truth 레이블과 비교합니다.** 데이터 품질 모니터에 대한 추가 세부 정보는 [모델 품질](model-monitor-model-quality.md)섹션을 참조하세요.
+ 바이어스 드리프트: 라이브 데이터의 분포를 훈련 데이터와 비교하는데, 이로 인해 예측이 부정확해질 수도 있습니다.** 바이어스 드리프트 모니터에 대한 자세한 내용은 [프로덕션 환경의 모델에 대한 바이어스 드리프트](clarify-model-monitor-bias-drift.md)섹션을 참조하세요.
+ 기능 특성 드리프트: 설명 가능성 드리프트라고도 합니다.** 훈련 데이터 내 특징의 상대적 순위를 라이브 데이터와 비교하는데, 이는 바이어스 드리프트의 결과일 수도 있습니다. 기능 속성 드리프트 모니터에 대한 자세한 내용은 [프로덕션 환경의 모델에 대한 특성 어트리뷰션 드리프트](clarify-model-monitor-feature-attribution-drift.md)섹션을 참조하세요.
각 모델 모니터 상태는 다음 값 중 하나입니다.
+ **없음**: 예정된 모니터가 없습니다.
+ **비활성**: 모니터가 예약되었지만 비활성화되었습니다.
+ **좋음**: 모니터가 예약되어 활성 상태이지만 최근 모델 모니터를 실행하여 경고를 발생시키는 데 필요한 횟수의 위반이 발생하지 않았습니다.
+ 시간 및 날짜: 활성 모니터가 지정된 시간 및 날짜에 경고를 발생시켰습니다.
+ **엔드포인트**: 실시간 추론을 위해 모델을 호스팅하는 엔드포인트. 모델 대시보드 내에서 엔드포인트 열을 선택하여 엔드포인트의 CPU, GPU, 디스크 및 메모리 사용률과 같은 성능 지표를 실시간으로 볼 수 있으므로 컴퓨팅 인스턴스의 성능을 추적하는 데 도움이 됩니다.
+ **배치 변환 작업**: 이 모델을 사용하여 실행한 가장 최근의 배치 변환 작업입니다. 이 열을 통해 모델이 배치 추론에 활발하게 사용되고 있는지 확인할 수 있습니다.
+ 모델 세부 정보: 대시보드의 각 항목은 개별 모델을 자세히 살펴볼 수 있는 모델 세부 정보 페이지로 연결됩니다. 데이터 준비부터 배포까지의 워크플로와 각 단계별 메타데이터를 시각화하는 모델의 계보 그래프에 액세스할 수 있습니다. 또한 모델 카드를 생성 및 확인하고, 알림 세부 정보 및 기록을 검토하고, 실시간 엔드포인트의 성능을 평가하고, 기타 인프라 관련 세부 정보에 액세스할 수 있습니다.
# Model Monitor 일정 및 알림
Python SDK를 사용하여 데이터 품질, 모델 품질, 바이어스 드리프트 또는 기능 속성 드리프트에 대한 모델 모니터를 생성할 수 있습니다. SageMaker 모델 모니터 사용에 대한 자세한 내용은 [Amazon SageMaker Model Monitor를 사용한 데이터 및 모델 품질 모니터링](model-monitor.md)섹션을 참조하세요. 모델 대시보드는 계정의 모든 모델에서 생성한 모든 모니터의 정보를 채웁니다. 각 모니터의 상태를 추적할 수 있으며, 이를 통해 모니터가 예상대로 실행되고 있는지 또는 내부 오류로 인해 장애가 발생했는지 알 수 있습니다. 모델 세부 정보 페이지 자체에서 모니터를 활성화하거나 비활성화할 수도 있습니다. 모델의 예약된 모니터를 보는 방법에 대한 자세한 내용은 [예약된 모니터 보기](model-dashboard-schedule-view.md)섹션을 참조하세요. 모델 모니터를 활성화하거나 비활성화하는 방법에 대한 자세한 내용은 [모델 모니터 활성화 또는 비활성화](model-dashboard-schedule-activate.md)섹션을 참조하세요.
제대로 구성되고 실행 중인 모델 모니터는 알림을 발생시킬 수 있으며, 이 경우 모니터링 실행 결과 위반 보고서가 생성됩니다. 알림 작동 방식 및 알림 결과, 기록, 디버깅용 작업 보고서 링크를 보는 방법에 대한 자세한 내용은 [알림 보기 및 편집](model-dashboard-alerts.md)섹션을 참조하세요.
# 예약된 모니터 보기
SageMaker Model Monitor를 사용하여 기계 학습 모델의 데이터 드리프트, 모델 품질, 편향 및 모델 성능에 영향을 미칠 수 있는 기타 문제를 지속적으로 모니터링할 수 있습니다. 모니터링 일정을 설정한 후에는 SageMaker AI 콘솔을 통해 이러한 예약된 모니터링의 세부 정보를 볼 수 있습니다. 다음 절차에서는 현재 상태를 포함하여 특정 모델에 대해 예약된 모니터링에 액세스하고 검토하는 단계를 간략하게 설명합니다.
**모델의 예약된 모니터링을 보는 방법**
1. [SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker/)을 엽니다.
1. 왼쪽 패널에서 **거버넌스**를 선택합니다.
1. **모델 대시보드**를 선택합니다.
1. 모델 대시보드의 **모델** 섹션에서 보려는 예약된 모니터의 모델 이름을 선택합니다.
1. **모니터링 예약** 섹션에서 예약된 모니터를 확인하세요. 다음 값 중 하나인 **상태 일정** 열에서 각 모니터의 상태를 검토할 수 있습니다.
+ **실패**: 구성 또는 설정 관련 문제(예: 잘못된 사용자 권한)로 인해 모니터링 일정이 실패했습니다.
+ **대기 중**: 모니터를 예약하는 중입니다.
+ **중지됨**: 사용자가 일정을 중지했습니다.
+ **예약됨**: 지정한 빈도에 따라 일정이 생성되고 실행됩니다.
# 모델 모니터 활성화 또는 비활성화
다음 절차에 따라 모델 모니터를 활성화 또는 비활성화합니다.
**모델 모니터를 활성화 또는 비활성화하려면 다음 단계를 완료하세요.**
1. [SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker/)을 엽니다.
1. 왼쪽 패널에서 **거버넌스**를 선택합니다.
1. **모델 대시보드**를 선택합니다.
1. 모델 대시보드의 **모델** 섹션에서 수정할 알림의 모델 이름을 선택합니다.
1. 수정하려는 알림의 모니터 일정 옆에 있는 라디오 상자를 선택합니다.
1. (선택 사항) 모니터 일정을 비활성화하려면 **모니터 일정 비활성화**를 선택합니다.
1. (선택 사항) 모니터 일정을 활성화하려면 **모니터 일정 활성화**를 선택합니다.
# 알림 보기 및 편집
모델 대시보드에는 Amazon CloudWatch에서 구성한 알림이 표시됩니다. 대시보드 자체 내에서 알림 기준을 수정할 수 있습니다. 알림 기준은 다음 두 파라미터에 따라 달라집니다.
+ **알림을 생성할 데이터 포인트**: 평가 기간 내에 알림을 발생시키는 실행 실패 횟수.
+ **평가 기간**: 알림 상태를 평가할 때 고려해야 할 가장 최근 모니터링 실행 횟수입니다.
다음 이미지는 가상의 **평가 기간**을 3으로 설정하고 **알림을 생성할 데이터 포인트** 값을 2로 설정하는 일련의 모델 모니터 실행의 예제 시나리오를 보여줍니다. 모든 모니터링 실행 후, **평가 기간**인 3 이내에 실패 횟수가 계산됩니다. 실패 수가 **알림을 생성할 데이터 포인트** 값 2에 도달하거나 초과할 경우, 모니터는 알림을 발생시키고 이후 반복에서 **평가 기간** 내의 실패 횟수가 2 미만이 될 때까지 알림 상태를 유지합니다. 이미지에서 모니터가 알림을 발생시키거나 알림 상태를 유지하면 평가 창이 빨간색으로 표시되고 그렇지 않으면 녹색으로 표시됩니다.
이미지의 처음 두 행에서 볼 수 있듯이 평가 기간 크기가 **평가 기간**인 3에 도달하지 않았더라도 실패 수가 **알림을 생성할 데이터 포인트** 값 2에 도달하거나 초과하면 모니터에서 여전히 알림이 발생합니다.
![\[연속 7개의 모니터링 실행 예제.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/model_monitor/model-dashboard-alerts-window.png)
모니터링 세부 정보 페이지에서 알림 기록을 보고, 기존 알림 기준을 편집하고, 알림 실패를 디버깅하는 데 도움이 되는 작업 보고서를 볼 수 있습니다. 실패한 모니터링 실행에 대한 알림 기록 또는 작업 보고서를 보는 방법에 대한 지침은 [알림 기록 또는 작업 보고서 보기](model-dashboard-alerts-view.md)섹션을 참조하세요. 알림 기준을 수정하는 방법에 대한 자세한 내용은 [알림 기준 편집](model-dashboard-alerts-edit.md)섹션을 참조하세요.
# 알림 기록 또는 작업 보고서 보기
**알림 기록 또는 실패한 실행에 대한 작업 보고서를 보려면 다음 단계를 완료하세요.**
1. [SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker/)을 엽니다.
1. 왼쪽 패널에서 **거버넌스**를 선택합니다.
1. **모델 대시보드**를 선택합니다.
1. 모델 대시보드의 **모델** 섹션에서 보려는 알림 기록의 모델 이름을 선택합니다.
1. **일정 이름** 열에서 보려는 알림 기록의 모니터 이름을 선택합니다.
1. 알림 기록을 보려면 **알림 기록** 탭을 선택합니다.
1. (선택 사항) 모니터링 실행에 대한 작업 보고서를 보려면 다음 단계를 완료하세요.
1. **알림 기록** 탭에서 조사하려는 알림의 **실행 보기**를 선택합니다.
1. **실행 기록** 테이블에서 조사하려는 모니터링 실행의 **보고서 보기**를 선택합니다.
**보고서에 다음 정보가 표시됩니다.**
+ **특징**: 모니터링된 사용자 지정 ML 특징
+ **제약**: 모니터 내 특정 점검
+ **위반 세부 정보**: 제약 조건을 위반한 이유에 대한 정보
# 알림 기준 편집
**모델 대시보드에서 알림을 편집하려면 다음 단계를 완료하세요.**
1. [SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker/)을 엽니다.
1. 왼쪽 패널에서 **거버넌스**를 선택합니다.
1. **모델 대시보드**를 선택합니다.
1. 모델 대시보드의 **모델** 섹션에서 수정할 알림의 모델 이름을 선택합니다.
1. 수정하려는 알림의 모니터 일정 옆에 있는 라디오 상자를 선택합니다.
1. **모니터링 예약** 섹션에서 **알림 편집**을 선택합니다.
1. (선택 사항) **평가 기간** 내에 알림을 시작하게 만드는 실패 횟수를 변경하려는 경우 **알림을 생성할 데이터 포인트**를 변경하세요.
1. (선택 사항) 알림 상태를 평가할 때 고려할 최신 모니터링 실행 횟수를 변경하려면 **평가 기간**을 변경하세요.
# 모델 계보 그래프 보기
모델을 훈련하면 Amazon SageMaker AI는 데이터 준비부터 배포까지 전체 ML 워크플로를 시각화합니다. 이 시각화를 모델 계보 그래프라고 합니다. 다음 페이지에서는 SageMaker AI 콘솔에서 모델 계보 그래프를 보는 방법을 설명합니다.
모델 계보 그래프는 엔터티를 사용하여 워크플로의 개별 단계를 나타냅니다. 예를 들어, 기본 모델 계보 그래프는 훈련 세트를 나타내는 엔터티를 가질 수 있으며, 이 엔터티는 훈련 작업을 나타내는 엔터티와 연결되고, 이 엔터티는 모델을 나타내는 다른 엔터티와 연결됩니다. 또한 그래프에는 워크플로에 있는 각 단계에 대한 정보가 저장됩니다. 이 정보를 사용하여 워크플로의 모든 단계를 다시 만들거나 모델 및 데이터세트 계보를 추적할 수 있습니다. 예를 들어 SageMaker AI 계보는 각 작업과 함께 입력 데이터 원본의 S3 URI를 저장하므로 규정 준수 검증을 위해 데이터 소스를 추가로 분석할 수 있습니다.
모델 계보 그래프는 개별 워크플로의 단계를 보는 데 도움이 될 수 있지만 AWS SDK를 사용하여 활용할 수 있는 다른 많은 기능이 있습니다. 예를 들어 AWS SDK를 사용하여 엔터티를 만들거나 쿼리할 수 있습니다. SageMaker AI 계보의 전체 특성 세트 및 예시 노트북에 대한 자세한 내용은 [Amazon SageMaker ML 계보 추적](lineage-tracking.md) 섹션을 참조하세요.
# 엔터티에 대한 소개
Amazon SageMaker AI는 SageMaker AI 작업, 모델, 모델 패키지 및 엔드포인트(데이터를 사용할 수 있는 경우)에 대한 추적 엔터티를 자동으로 생성합니다. 기본 워크플로의 경우 데이터세트를 사용하여 모델을 훈련한다고 가정해 보겠습니다. SageMaker AI는 다음 세 가지 엔터티가 포함된 계보 그래프를 자동으로 생성합니다.
+ **데이터세트**: 아티팩트의 일종으로, URI 주소 지정 가능 객체 또는 데이터를 나타내는 엔터티입니다. 아티팩트는 일반적으로 시도 구성 요소나 작업에 대한 입력 또는 출력입니다.
+ **TrainingJob**: 일종의 시도 구성 요소로, 처리, 훈련 및 변환 작업을 나타내는 엔터티입니다.
+ **모델**: 또 다른 유형의 아티팩트. **데이터세트** 아티팩트와 마찬가지로 **모델**은 URI 주소 지정이 가능한 객체입니다. 이 경우에는 **TrainingJob** 시도 구성 요소의 결과입니다.
워크플로에 데이터 전처리 또는 후처리와 같은 단계를 추가하거나, 모델을 엔드포인트에 배포하거나, 모델 패키지에 모델을 포함하는 경우 등 다양한 방법으로 모델 계보 그래프가 빠르게 확장됩니다. SageMaker AI 엔터티의 전체 목록은 [Amazon SageMaker ML 계보 추적](lineage-tracking.md) 섹션을 참조하세요.
## 엔터티 속성
그래프의 각 노드에는 엔터티 유형이 표시되지만 엔터티 유형 오른쪽에 있는 세로 줄임표를 선택하여 워크플로와 관련된 특정 세부 정보를 볼 수 있습니다. 이전 베어본 계보 그래프에서는 **데이터세트** 옆의 세로 줄임표를 선택하여 다음 속성(모든 아티팩트 엔터티에 공통)에 대한 특정 값을 볼 수 있습니다.
+ **이름**: 데이터세트 이름입니다.
+ **소스 URI**: 데이터세트의 Amazon S3 위치입니다.
`TrainingJob` 엔터티의 경우 다음 속성(모든 `TrialComponent`엔터티에 공통)의 특정 값을 볼 수 있습니다.
+ **이름**: 훈련 작업의 이름입니다.
+ **작업 ARN**: 훈련 작업의 Amazon 리소스 이름(ARN)입니다.
**모델** 엔터티의 경우 둘 다 아티팩트 엔터티이므로 **데이터세트**에 나열된 것과 동일한 속성이 표시됩니다. 엔터티 및 관련 속성 목록은 [계보 추적 엔터티](lineage-tracking-entities.md)섹션을 참조하세요.
## 엔터티 쿼리
Amazon SageMaker AI는 계보 엔터티를 사용할 때 자동으로 계보 엔터티의 그래프를 생성합니다. 그러나 실험을 여러 번 반복하고 모든 계보 그래프를 보고 싶지 않은 경우 AWS SDK는 모든 워크플로에서 쿼리를 수행하는 데 도움이 될 수 있습니다. 예를 들어 엔드포인트를 사용하는 모든 처리 작업에 대해 계보 엔터티를 쿼리할 수 있습니다. 또는 아티팩트를 사용하는 모든 다운스트림 트레일을 볼 수 있습니다. 수행할 수 있는 모든 쿼리 목록은 [계보 엔터티 쿼리](querying-lineage-entities.md)섹션을 참조하세요.
## 모델 계보 그래프 보기
**모델의 계보 그래프를 보려면 다음 단계를 완료하세요.**
1. [SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker/)을 엽니다.
1. 왼쪽 패널에서 **거버넌스**를 선택합니다.
1. **모델 대시보드**를 선택합니다.
1. 모델 대시보드의 **모델** 섹션에서 보려는 계보 그래프의 모델 이름을 선택합니다.
1. **모델 개요** 섹션에서 **계보 보기**를 선택합니다.
# 엔드포인트 상태 보기
훈련된 모델을 사용하여 라이브 데이터에 대한 추론을 수행하려면 모델을 실시간 엔드포인트에 배포해야 합니다. 예측의 적절한 지연 시간을 보장하려면 모델을 호스팅하는 인스턴스가 효율적으로 실행되고 있는지 확인해야 합니다. 모델 대시보드의 엔드포인트 모니터링 기능은 엔드포인트 구성에 대한 실시간 정보를 표시하고 지표를 통해 엔드포인트 성능을 추적하는 데 도움이 됩니다.
**모니터 설정**
모델 대시보드는 Amazon CloudWatch에서 선택할 수 있는 지표의 실시간 그래프를 표시하는 기존 SageMaker AI 엔드포인트 세부 정보 페이지로 연결됩니다. 엔드포인트가 실시간 추론 요청을 처리하는 동안 대시보드 내에서 이러한 지표를 추적할 수 있습니다. 선택할 수 있는 지표는 다음과 같습니다.
+ `CpuUtilization`: 각 개별 CPU 코어의 사용률 합계로, 각 범위는 0% \$1 100% 입니다.
+ `MemoryUtilization`: 인스턴스의 컨테이너에서 사용하는 메모리의 비율로서 0% \$1 100% 입니다.
+ `DiskUtilization`: 인스턴스의 컨테이너에서 사용하는 디스크 공간의 비율로서 0% \$1 100%입니다.
실시간으로 볼 수 있는 전체 지표 목록은 [Amazon CloudWatch의 Amazon SageMaker AI 지표](monitoring-cloudwatch.md)섹션을 참조하세요.
**런타임 설정**
Amazon SageMaker AI는 호스팅된 모델에 대한 자동 규모 조정(오토 스케일링)을 지원합니다. 오토 스케일링은 워크로드의 변화에 따라 모델에 대해 프로비저닝된 인스턴스의 수를 동적으로 조정합니다. 워크로드가 증가하면 오토 스케일링은 더 많은 인스턴스를 온라인 상태로 전환합니다. 워크로드가 감소하면 Auto Scaling을 통해 불필요한 인스턴스가 제거되므로 프로비저닝된 인스턴스 중 사용하지 않는 인스턴스에 대해 요금을 지불하지 않습니다. 모델 대시보드에서 다음 런타임 설정을 사용자 지정할 수 있습니다.
+ 가중치 업데이트: 수치적 가중치를 사용하여 각 인스턴스에 할당된 워크로드의 양을 변경합니다.** Auto Scaling 중 인스턴스 가중치 부여에 대한 자세한 내용은 [Amazon EC2 Auto Scaling을 위한 인스턴스 가중치 구성](https://docs.aws.amazon.com/autoscaling/ec2/userguide/ec2-auto-scaling-mixed-instances-groups-instance-weighting.html)을 참조하세요.
+ 인스턴스 개수 업데이트: 워크로드가 증가할 때 해당 워크로드를 처리할 수 있는 총 인스턴스 개수를 변경하세요.**
엔드포인트 런타임 설정에 대한 자세한 내용은 [CreateEndpointConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateEndpointConfig.html)를 참조하세요.
**엔드포인트 구성 설정**
엔드포인트 구성 설정에는 엔드포인트를 생성할 때 지정한 설정이 표시됩니다. 이러한 설정은 SageMaker AI에 엔드포인트에 프로비저닝할 리소스를 알려줍니다. 포함된 일부 설정은 다음과 같습니다.
+ 데이터 캡처: 엔드포인트의 입력 및 출력에 대한 정보를 캡처하도록 선택할 수 있습니다.** 예를 들어, 수신 트래픽을 샘플링하여 결과가 훈련 데이터와 상관 관계가 있는지 확인할 수 있습니다. 샘플링 빈도, 저장된 데이터의 형식, 저장된 데이터의 Amazon S3 위치를 사용자 지정할 수 있습니다. 데이터 캡처 구성 설정에 대한 자세한 내용은 [데이터 캡처](model-monitor-data-capture.md)섹션을 참조하세요.
+ 프로덕션 변형: 런타임 설정의 이전 설명을 참조하세요.****
+ *비동기 간접 호출 구성*: 엔드포인트가 비동기인 경우 이 섹션에는 SageMaker AI 클라이언트가 모델 컨테이너로 보내는 최대 동시 요청 수, 성공 및 실패 알림의 Amazon S3 위치, 엔드포인트 출력의 출력 위치가 포함됩니다. 비동기 요청에 대한 자세한 내용은 [비동기 엔드포인트 작업](async-inference-create-invoke-update-delete.md)섹션을 참조하세요.
+ 암호화 키: 출력을 암호화하려는경우 암호화 키를 입력할 수 있습니다.**
엔드포인트 구성 설정에 대한 자세한 내용은 [CreateEndpointConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateEndpointConfig.html)를 참조하세요.
## 엔드포인트의 상태 및 구성 보기
**모델 엔드포인트의 상태 및 구성을 보려면 다음 단계를 완료하세요.**
1. [SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker/)을 엽니다.
1. 왼쪽 패널에서 **거버넌스**를 선택합니다.
1. **모델 대시보드**를 선택합니다.
1. **모델** 대시보드의 모델 섹션에서 보려는 엔드포인트의 모델 이름을 선택합니다.
1. 엔드포인트 섹션에서 **엔드포인트** 이름을 선택합니다.
# 모델 대시보드 FAQ
Amazon SageMaker 모델 대시보드에 대한 일반적으로 묻는 질문에 대한 답변은 아래의 FAQ 항목을 참조하세요.
## Q: 모델 대시보드란 무엇입니까?
Amazon SageMaker 모델 대시보드는 사용자 계정에서 생성된 모든 모델의 중앙 리포지토리입니다. 모델은 일반적으로 SageMaker 훈련 작업의 결과물이지만 다른 곳에서 훈련한 모델을 가져와서 SageMaker AI에서 호스팅할 수도 있습니다. 모델 대시보드는 IT 관리자, 모델 위험 관리자 및 비즈니스 리더가 배포된 모든 모델을 추적하고 여러 AWS 서비스의 데이터를 집계하여 모델 성능에 대한 지표를 제공할 수 있는 단일 인터페이스를 제공합니다. 모델 엔드포인트, 배치 변환 작업 및 모니터링 작업에 대한 세부 정보를 확인하여 모델 성능에 대한 추가적인 통찰력을 얻을 수 있습니다. 대시보드의 시각적 디스플레이를 통해 어떤 모델에 누락되거나 비활성화된 모니터가 있는지 빠르게 식별할 수 있으므로 모든 모델에 데이터 드리프트, 모델 드리프트, 바이어스 드리프트 및 기능 속성 드리프트가 있는지 정기적으로 확인할 수 있습니다. 마지막으로, 대시보드에서 모델 세부 정보에 즉시 액세스할 수 있으므로 심층적으로 분석하여 모니터링 실패를 디버깅하는 데 도움이 되는 로그, 인프라 관련 정보 및 리소스에 액세스할 수 있습니다.
## Q: 모델 대시보드를 사용하기 위한 사전 요구 사항은 무엇입니까?
SageMaker AI에서 생성한 모델 중 SageMaker AI에서 훈련했거나 외부에서 훈련한 모델이 하나 이상 있어야 합니다. 필수 사전 조건은 아니지만 고객이 엔드포인트에 배포된 모델에 대해 Amazon SageMaker 모델 모니터를 통해 모델 모니터링 작업을 설정하면 대시보드의 가치를 극대화할 수 있습니다.
## Q: 모델 대시보드를 사용해야 하는 사람은 누구입니까?
모델 위험 관리자, ML 실무자, 데이터 과학자 및 비즈니스 리더는 모델 대시보드를 사용하여 모델에 대한 포괄적인 개요를 얻을 수 있습니다. 대시보드는 Amazon SageMaker 모델 카드, 엔드포인트 및 모델 모니터 서비스의 데이터를 집계하고 표시하여 모델 카드 및 모델 레지스트리의 모델 메타데이터, 모델이 배포된 엔드포인트, 모델 모니터링에서 얻은 통찰력과 같은 중요한 정보를 표시합니다.
## Q.모델 대시보드를 사용하려면 어떻게 해야 합니까?
모델 대시보드는 Amazon SageMaker AI에서 즉시 사용할 수 있으며 사전 구성이 필요하지 않습니다. 하지만 SageMaker 모델 모니터 및 Clalify를 사용하여 모델 모니터링 작업을 설정한 경우 Amazon CloudWatch를 사용하여 모델 성능이 허용 범위를 벗어날 때 대시보드에 플래그를 발생시키는 알림을 구성합니다. 새 모델 카드를 생성하여 대시보드에 추가하고 엔드포인트와 관련된 모든 모니터링 결과를 볼 수 있습니다. 모델 대시보드는 현재 교차 계정 모델을 지원하지 않습니다.
## Q.Amazon SageMaker 모델 모니터란 무엇입니까?
Amazon SageMaker 모델 모니터를 사용하면 코드를 작성하지 않고도 모니터링하고 분석하려는 데이터를 선택할 수 있습니다. SageMaker 모델 모니터를 사용하면 옵션 메뉴에서 예측 출력과 같은 데이터를 선택하고 타임스탬프, 모델 이름 및 엔드포인트와 같은 메타데이터를 캡처하여 모델 예측을 분석할 수 있습니다. 대용량 실시간 예측의 경우 데이터 캡처의 샘플링 속도를 전체 트래픽의 백분율로 지정할 수 있습니다. 이 데이터는 자체 Amazon S3 버킷에 저장됩니다. 또한 이 데이터를 암호화하고, 세분화된 보안을 구성하고, 데이터 보존 정책을 정의하고, 보안 액세스를 위한 액세스 제어 메커니즘을 구현할 수 있습니다.
## Q .SageMaker AI는 어떤 유형의 모델 모니터를 지원하나요?
SageMaker 모델 모니터는 다음 유형의 [모델 모니터](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor.html)를 제공합니다.
+ 데이터 품질: 데이터 품질의 드리프트를 모니터링합니다.**
+ 모델 품질: 정확도와 같은 모델 품질 지표의 드리프트를 모니터링합니다.**
+ 생산 중인 모델의 바이어스 드리프트: 훈련 데이터와 라이브 데이터의 분포를 비교하여 모델 예측의 바이어스를 모니터링합니다.**
+ 생산 중인 모델의 기능 속성 드리프트: 훈련 데이터와 라이브 데이터에 있는 특징의 상대적 순위를 비교하여 기능 속성의 드리프트를 모니터링합니다.**
## Q: SageMaker 모델 모니터는 어떤 추론 방법을 지원합니까?
모델 모니터는 현재 실시간 추론을 위해 단일 모델을 호스팅하는 엔드포인트만 지원하며 [다중 모델 엔드포인트](https://docs.aws.amazon.com/sagemaker/latest/dg/multi-model-endpoints.html)의 모니터링을 지원하지 않습니다.
## Q.SageMaker 모델 모니터를 사용하려 하는데 처음에 어떻게 시작해야 하나요?
다음 리소스를 사용하여 모델 모니터링을 시작할 수 있습니다.
+ [데이터 품질 모니터 예제 노트북](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker_model_monitor/introduction/SageMaker-ModelMonitoring.ipynb)
+ [모델 품질 모니터 예제 노트북](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker_model_monitor/introduction/SageMaker-ModelMonitoring.ipynb)
+ [바이어스 드리프트 모니터 예제 노트북](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker_model_monitor/fairness_and_explainability/SageMaker-Model-Monitor-Fairness-and-Explainability.ipynb)
+ [기능 속성 드리프트 모니터 예제 노트북](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker_model_monitor/fairness_and_explainability/SageMaker-Model-Monitor-Fairness-and-Explainability.ipynb)
모델 모니터링의 예시를 더 보려면 GitHub 리포지토리 [amazon-sagemaker-example](https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker_model_monitor)을 참조하세요.
## Q: 모델 모니터는 어떻게 작동합니까?
Amazon SageMaker 모델 모니터는 모델의 드리프트를 감지하는 규칙을 사용하여 프로덕션 환경에서 기계 학습 모델을 자동으로 모니터링합니다. 모델 모니터는 품질 문제가 발생하면 알림을 통해 알려줍니다. 자세한 내용은 [Amazon SageMaker Model Monitor 작동 방식](model-monitor.md#model-monitor-how-it-works)섹션을 참조하세요.
## Q.모델 모니터용 자체 컨테이너(BYOC)는 언제, 어떻게 가져오나요?
모델 모니터는 테이블 형식 데이터에 대해서만 모델 지표 및 통계를 계산합니다. 이미지 또는 텍스트와 같은 테이블 형식 데이터세트 이외의 사용 사례의 경우 자체 컨테이너(BYOC)를 가져와 데이터와 모델을 모니터링할 수 있습니다. 예를 들어, BYOC를 사용하여 이미지를 입력으로 받아 레이블을 출력하는 이미지 분류 모델을 모니터링할 수 있습니다. 컨테이너 계약에 대한 자세한 내용은 [Amazon SageMaker Model Monitor에서 자체 컨테이너 지원](model-monitor-byoc-containers.md)섹션을 참조하세요.
## Q.모델 모니터용 BYOC의 예는 어디에서 찾을 수 있습니까?
다음 링크에서 유용한 BYOC 예제를 찾을 수 있습니다.
+ [Amazon SageMaker Model Monitor를 사용한 데이터 및 모델 품질 모니터링](model-monitor.md)
+ [예제 GitHub 리포지토리](https://github.com/aws/amazon-sagemaker-examples/tree/master/sagemaker_model_monitor)
+ [Amazon SageMaker Model Monitor에서 자체 컨테이너 지원](model-monitor-byoc-containers.md)
+ [BYOC 모델 모니터를 사용하여 NLP에서 데이터 드리프트 감지](https://aws.amazon.com/blogs/machine-learning/detect-nlp-data-drift-using-custom-amazon-sagemaker-model-monitor)
+ [ CV의 잘못된 예측 감지 및 분석](https://aws.amazon.com/blogs//machine-learning/detecting-and-analyzing-incorrect-model-predictions-with-amazon-sagemaker-model-monitor-and-debugger)
## Q: Model Monitor를 Pipelines과 통합하려면 어떻게 해야 하나요?
Model Monitor와 Pipelines을 통합하는 방법에 대한 자세한 내용은 [Amazon Pipelines, 이제 SageMaker Model Monitor 및 SageMaker Clarify와 통합](https://aws.amazon.com/about-aws/whats-new/2021/12/amazon-sagemaker-pipelines-integrates-sagemaker-model-monitor-sagemaker-clarify/)을 참조하세요.
예시는 GitHub 샘플 노트북 [Pipelines integration with Model Monitor and Clarify](https://github.com/aws/amazon-sagemaker-examples/blob/main/sagemaker-pipelines/tabular/model-monitor-clarify-pipelines/sagemaker-pipeline-model-monitor-clarify-steps.ipynb)를 참조하세요.
## Q: `DataCapture`를 사용할 때 성능 문제가 있나요?
켜져 있는 경우 SageMaker AI 엔드포인트에서 데이터 캡처가 비동기적으로 수행됩니다. 추론 요청에 영향이 없도록 하기 위해 `DataCapture`는 디스크 사용량이 많은 경우 캡처 요청을 중단합니다. `DataCapture`가 계속 캡처 요청을 하도록 디스크 사용률을 75% 미만으로 유지하는 것이 좋습니다.