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。

# 大規模部署您的模型
<a name="jumpstart-text-classification-scale"></a>

為您的 SageMaker AI 端點設定自動擴展和 CloudWatch 監控，使其可以進行生產。

## 為什麼生產監控對文字分類很重要
<a name="w2aac37c15c27b5"></a>

文字分類工作負載需要監控，因為它們：
+ 體驗處理爆量時流量模式的變化。
+ 需要亞秒級回應時間。
+ 需要透過自動擴展進行成本最佳化。

## 先決條件
<a name="w2aac37c15c27b7"></a>

開始之前，請確定您具有下列先決條件：
+ 您從上一節部署的 SageMaker AI 端點。
+ 您的端點名稱 (例如，jumpstart-dft-hf-tc)。
+ Your AWS 區域 （例如 us-east-2)。

如需端點建立或疑難排解，請參閱[即時推論](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html)。

## 設定生產監控
<a name="w2aac37c15c27b9"></a>

設定 CloudWatch 監控以追蹤模型在生產中的效能。

1. 在您的 JupyterLab 空間中，從您先前上傳的評估套件開啟 `sagemaker_production_monitoring.ipynb` 筆記本。

1. 在組態區段中更新您的端點名稱和區域。

1. 請遵循筆記本指示來設定：
   + 自動擴展 (1-10 個執行個體，視流量而定）。
   + 延遲和調用閾值的 CloudWatch 警示。
   + 用於視覺化監控的指標儀表板。

## 驗證您的設定
<a name="w2aac37c15c27c11"></a>

完成筆記本步驟後，請確認您具有：
+ **端點狀態**：`InService`。
+ **自動擴展**：已設定 1-10 個執行個體。
+ **CloudWatch 警示**：2 個警示監控。
+ **指標**：已註冊 15 個以上指標。

**注意**  
警示一開始可能會顯示 `INSUFFICIENT_DATA` - 這是正常的，並且會隨著用量而變更為 `OK`。

## 監控您的端點
<a name="w2aac37c15c27c13"></a>

透過 AWS 管理主控台存取視覺化監控：
+ [CloudWatch 指標](https://console.aws.amazon.com/cloudwatch/home#metricsV2:graph=~();query=AWS/SageMaker)
+ [CloudWatch 警示](https://console.aws.amazon.com/cloudwatch/home#alarmsV2:)

如需詳細資訊，請參閱[監控 SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/monitoring-overview.html)。

## 管理成本和清除資源
<a name="w2aac37c15c27c15"></a>

您的監控設定提供寶貴的生產洞見，但也會透過 CloudWatch 指標、警示和自動擴展政策持續產生 AWS 費用。了解如何管理這些成本對於符合成本效益的操作至關重要。清除不再需要的專案資源。

**警告**  
即使不處理請求，您的端點仍會繼續產生費用。若要停止所有費用，必須刪除您的端點。如需指示，請參閱[刪除端點和資源](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints-delete-resources.html)。

如需進階監控組態，請參閱 [SageMaker AI 的 CloudWatch 指標](https://docs.aws.amazon.com/sagemaker/latest/dg/monitoring-cloudwatch.html)。