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。

# Amazon SageMaker 模型儀表板
<a name="model-dashboard"></a>

Amazon SageMaker 模型儀表板是一個集中式入口網站，可從 SageMaker AI 主控台存取，您可以在其中檢視、搜尋和探索您帳戶中的所有模型。您可以追蹤哪些模型已部署進行推論，以及這些模型是用於批次轉換工作還是在端點上託管。如果您使用 Amazon SageMaker Model Monitor 設定監控，您也可以在模型對即時資料做出即時預測時追蹤效能。您可以使用儀表板，尋找違反您在資料品質、模型品質、偏差和可解釋性上設定閾值的模型。儀表板全方位呈現所有監控結果，可協助您快速識別未設定這些指標的模型。

模型儀表板會彙總來自數個 SageMaker AI 特徵的模型相關資訊。除了模型監控中提供的服務之外，您還可以檢視模型卡、視覺化工作流程歷程，以及追蹤端點效能。您不再需要排序日誌、在筆記本中查詢，或存取其他 AWS 服務來收集所需的資料。SageMaker AI 的模型儀表板具有凝聚的使用者體驗，並整合現有服務，可提供立即可用的模型控管解決方案，協助您確保涵蓋所有模型的品質範圍。

**先決條件**

若要使用模型儀表板，在您的帳戶中應有一或多個模型。您可以使用 Amazon SageMaker AI 訓練模型，或匯入已在其他地方訓練過的模型。若要在 SageMaker AI 中建立模型，您可以使用 `CreateModel` API。如需更多資訊，請參閱 [CreateModel](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html)。您也可以使用 SageMaker AI 提供的 ML 環境，例如 Amazon SageMaker Studio Classic，該環境會提供為您設定模型訓練和部署的專案範本。如需如何開始使用 Studio Classic 的相關資訊，請參閱 [Amazon SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/studio.htm)。

雖然這不是必要的先決條件，但如果客戶要針對部署到端點的模型使用 SageMaker Model Monitor 設定模型監控任務，則可從儀表板獲得最大的價值。如需如何使用 SageMaker Model Monitor 的先決條件和指示，請參閱[使用 Amazon SageMaker Model Monitor 進行資料和模型品質監控](model-monitor.md)。

## 模型儀表板元素
<a name="dashelem"></a>

模型儀表板檢視會從每個模型擷取高階詳細資訊，以提供您帳戶中每個模型的完整摘要。如果您的模型已部署進行推論，儀表板可協助您即時追蹤模型和端點的效能。

在此頁面中要重點標示的重要細節包括：
+ **風險評等**：使用者從模型卡中指定的參數，具有**低**、**中**或**高**值。模型卡風險評等是對模型預測業務影響的分類衡量標準。模型用於各種商業應用程式，每個應用程式都承擔不同的風險程度。例如，錯誤檢測網路攻擊比錯誤分類電子郵件有更大的業務影響。如果您不知道模型風險，則可以將其設定為**未知**。如需 Amazon SageMaker 模型卡的資訊，請參閱[模型卡](https://docs.aws.amazon.com/sagemaker/latest/dg/model-cards.html)。
+ 模型監控警示：模型監控警示是模型儀表板的主要焦點，而在 SageMaker AI 提供的各種監控上檢閱現有文件是實用的開始方式。如需 SageMaker Model Monitor 功能和範例筆記本的詳細說明，請參閱[使用 Amazon SageMaker Model Monitor 進行資料和模型品質監控](model-monitor.md)。

  模型儀表板會依以下監控類型顯示的模型監控器狀態值：
  + *資料品質*：比較即時資料與訓練資料。如果它們分歧，則您的模型推論可能不再準確。如需資料品質監控的其他詳細資訊，請參閱[資料品質](model-monitor-data-quality.md)。
  + *模型品質*：將模型所做的預測與模型嘗試預測的實際 Ground Truth 標籤進行比較。如需模型品質監控的其他詳細資訊，請參閱[模型品質](model-monitor-model-quality.md)。
  + *偏差偏離*：將即時資料的分佈與訓練資料進行比較，這也可能導致不準確的預測。如需偏差偏離監控的其他詳細資訊，請參閱[生產中模型的偏差偏離](clarify-model-monitor-bias-drift.md)。
  + *特徵歸因偏離*：也稱為可解釋性偏離。比較訓練資料中特徵的相對排名與即時資料，這也可能是偏差偏離的結果。如需特徵歸因偏離監控的其他詳細資訊，請參閱[生產中模型的特徵屬性偏離](clarify-model-monitor-feature-attribution-drift.md)。

  每個模型監控狀態都是以下其中的一個值：
  + **無**：未排程監控
  + **非作用中**：已排程監視，但已停用
  + **確定**：監視已排程且處於作用中狀態，並且在最近的模型監控執行中未出現必要的違規數目以引發警示
  + 時間和日期：作用中的監控在指定的時間和日期引發警示
+ **端點**：託管模型以進行即時推論的端點。在模型儀表板中，您可以選取端點欄，即時檢視端點的效能指標，例如 CPU、GPU、磁碟和記憶體使用率，以協助您追蹤運算執行個體的效能。
+ **批次轉換工作**：最近使用此模型執行的批次轉換工作。此欄可協助您判斷模型是否正作用於批次推論中。
+ 模型詳細資訊：儀表板中的每個項目都會連結至模型詳細資訊頁面，您可以在此個人個別模型。您可以存取模型譜系圖，以視覺化方式呈現從資料準備到部署的工作流程，以及每個步驟的中繼資料。您也可以建立和檢視模型卡、檢閱警示詳細資訊和歷程記錄、評估即時端點的效能，以及存取其他基礎架構相關詳細資訊。