本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# SageMaker Clarify 線上可解釋性
<a name="clarify-online-explainability"></a>

本指南說明如何使用 SageMaker Clarify 設定線上可解釋性。透過 SageMaker AI [即時推斷](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html)端點，您可以持續、即時分析可解釋性。線上可解釋性功能適用於 [Amazon SageMaker AI Machine Learning 工作流程](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-mlconcepts.html)的**部署到生產**部分。

## Clarify 線上可解釋性如何運作
<a name="clarify-online-explainability-how-it-works"></a>

下圖描述了用於託管服務可解釋性請求的端點的 SageMaker AI 架構。它描述了端點、模型容器及 SageMaker Clarify 解釋器之間的互動。

![\[SageMaker AI 架構，展示了用於託管服務隨需可解釋性請求的端點。\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/clarify/DeveloperGuideArchitecture.png)


以下是 Clarify 線上可解釋性的工作原理。應用程式會將 REST 樣式的 `InvokeEndpoint` 請求傳送至 SageMaker AI 執行期服務。服務會將此請求路由至 SageMaker AI 端點，以取得預測與解釋。接著，服務接收來自端點的回應。最後，服務將回應傳回應用程式。

為了提高端點可用性，SageMaker AI 會根據端點組態的執行個體計數，自動嘗試在多個可用區域分發端點執行個體。在端點執行個體，根據新的可解釋性請求，SageMaker Clarify 解釋器會呼叫模型容器以進行預測。然後它會計算並傳回特徵屬性。

以下是建立使用 SageMaker Clarify 線上可解釋性端點的四個步驟：

1. 請依照[預先檢查](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-online-explainability-precheck.html)步驟檢查您的預先訓練 SageMaker AI 模型是否與線上可解釋性相容。

1. 使用 `CreateEndpointConfig` API 透過 SageMaker Clarify 解釋器組態[建立端點組態](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateEndpointConfig.html)。

1. [建立端點](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateEndpoint.html)並使用 `CreateEndpoint` API 將端點組態提供給 SageMaker AI。此服務會啟動組態所指定的機器學習運算執行個體，接著進行模型部署。

1. [調用端點](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_runtime_InvokeEndpoint.html)：端點投入使用後，呼叫 SageMaker AI 執行時間 API `InvokeEndpoint` 將請求傳送至端點。然後，端點回傳解釋及預測。