Amazon SageMaker-এর সাথে আপনার মেশিন লার্নিং মডেলগুলির পরিচালনার উন্নতি করুন

যেহেতু কোম্পানিগুলি তাদের মূলধারার এন্টারপ্রাইজ অ্যাপ্লিকেশনগুলির জন্য ক্রমবর্ধমানভাবে মেশিন লার্নিং (ML) গ্রহণ করছে, তাদের ব্যবসায়িক সিদ্ধান্তগুলি এমএল মডেল দ্বারা প্রভাবিত হয়। এর ফলস্বরূপ, আপনার সমস্ত ML মডেল জুড়ে সরলীকৃত অ্যাক্সেস নিয়ন্ত্রণ এবং বর্ধিত স্বচ্ছতা আপনার মডেলগুলি ভাল পারফর্ম করছে কিনা তা যাচাই করা সহজ করে এবং যখন সেগুলি না হয় তখন পদক্ষেপ নেওয়া।

এই পোস্টে, আমরা অন্বেষণ করি যে কীভাবে কোম্পানিগুলি তাদের মডেলগুলিতে কেন্দ্রীভূত ড্যাশবোর্ডের মাধ্যমে দৃশ্যমানতা উন্নত করতে পারে এবং দুটি নতুন বৈশিষ্ট্য ব্যবহার করে তাদের মডেলগুলির বিস্তারিত ডকুমেন্টেশন: সেজমেকার মডেল কার্ড এবং সেজমেকার মডেল ড্যাশবোর্ড। এই দুটি বৈশিষ্ট্যই SageMaker গ্রাহকদের জন্য কোনো অতিরিক্ত চার্জ ছাড়াই উপলব্ধ।

মডেল শাসনের ওভারভিউ

মডেল গভর্নেন্স হল একটি কাঠামো যা মডেল উন্নয়ন, বৈধতা এবং ব্যবহারে পদ্ধতিগত দৃশ্যমানতা দেয়। মডেল গভর্নেন্স এন্ড-টু-এন্ড এমএল ওয়ার্কফ্লো জুড়ে প্রযোজ্য, এমএল ব্যবহারের ক্ষেত্রে চিহ্নিত করা থেকে শুরু করে সতর্কতা, রিপোর্ট এবং ড্যাশবোর্ডের মাধ্যমে একটি স্থাপন করা মডেলের চলমান পর্যবেক্ষণ পর্যন্ত। একটি ভাল-বাস্তবায়িত মডেল গভর্নেন্স ফ্রেমওয়ার্ককে এমএ লাইফসাইকেলকে স্কেলে নিরীক্ষণ করা সহজ করার জন্য জীবনচক্রের কাজগুলি দেখতে, ট্র্যাক করতে এবং পরিচালনা করার জন্য প্রয়োজনীয় ইন্টারফেসের সংখ্যা কমিয়ে আনা উচিত।

আজ, সংস্থাগুলি তাদের শাসন এবং নিরীক্ষাযোগ্য কর্মপ্রবাহের বড় অংশগুলিকে স্বয়ংক্রিয় করতে টুলিং তৈরিতে উল্লেখযোগ্য প্রযুক্তিগত দক্ষতা বিনিয়োগ করে। উদাহরণস্বরূপ, মডেল নির্মাতাদের সক্রিয়ভাবে মডেল স্পেসিফিকেশন রেকর্ড করতে হবে যেমন একটি মডেলের জন্য উদ্দেশ্যমূলক ব্যবহার, ঝুঁকি রেটিং এবং পারফরম্যান্সের মানদণ্ড একটি মডেলের বিরুদ্ধে পরিমাপ করা উচিত। তদ্ব্যতীত, তাদের মডেল আচরণের উপর পর্যবেক্ষণ রেকর্ড করতে হবে, এবং তারা যে উদ্দেশ্যমূলক ফাংশনটির বিরুদ্ধে মডেলটিকে অপ্টিমাইজ করেছে তার মতো কিছু মূল সিদ্ধান্ত নেওয়ার কারণ নথিভুক্ত করতে হবে।

উৎপাদন ব্যবহারের অনুমোদনে ব্যবহারের জন্য এই ধরনের মডেলের তথ্য ক্যাপচার এবং শেয়ার করার জন্য কোম্পানিগুলো এক্সেল বা ইমেলের মতো টুল ব্যবহার করে। কিন্তু এমএল ডেভেলপমেন্টের স্কেল বাড়ার সাথে সাথে তথ্য সহজেই হারিয়ে যেতে পারে বা ভুলভাবে স্থানান্তরিত হতে পারে এবং এই বিবরণগুলির ট্র্যাক রাখা দ্রুত অসম্ভব হয়ে পড়ে। তদ্ব্যতীত, এই মডেলগুলি স্থাপন করার পরে, আপনি আপনার সমস্ত মডেল, শেষ বিন্দু, পর্যবেক্ষণ ইতিহাস এবং বংশের মধ্যে এন্ড-টু-এন্ড দৃশ্যমানতা পেতে বিভিন্ন উত্স থেকে ডেটা একত্রিত করতে পারেন। এই ধরনের দৃষ্টিভঙ্গি ছাড়া, আপনি সহজেই আপনার মডেলগুলির ট্র্যাক হারাতে পারেন এবং কখন সেগুলির উপর পদক্ষেপ নেওয়া প্রয়োজন সে সম্পর্কে সচেতন নাও হতে পারে৷ এই সমস্যাটি অত্যন্ত নিয়ন্ত্রিত শিল্পগুলিতে তীব্রতর হয় কারণ আপনি এমন প্রবিধানের অধীন যেগুলির জন্য আপনাকে এই ধরনের ব্যবস্থাগুলি রাখতে হবে।

যেহেতু মডেলের ভলিউম স্কেল হতে শুরু করে, কাস্টম টুলিং পরিচালনা করা একটি চ্যালেঞ্জ হয়ে উঠতে পারে এবং সংস্থাগুলিকে মূল ব্যবসার চাহিদার উপর ফোকাস করার জন্য কম সময় দেয়। নিম্নলিখিত বিভাগগুলিতে, আমরা অন্বেষণ করব কীভাবে সেজমেকার মডেল কার্ড এবং সেজমেকার মডেল ড্যাশবোর্ড আপনাকে আপনার পরিচালনার প্রচেষ্টাকে স্কেল করতে সাহায্য করতে পারে।

সেজমেকার মডেল কার্ড

মডেল কার্ডগুলি আপনাকে মডেলগুলি কীভাবে নথিভুক্ত করা হয় তা মানক করতে সক্ষম করে, যার ফলে ডিজাইনিং, বিল্ডিং, প্রশিক্ষণ এবং মূল্যায়ন থেকে মডেলের জীবনচক্রে দৃশ্যমানতা অর্জন করা যায়। মডেল কার্ডগুলি ব্যবসায়ের জন্য সত্যের একক উত্স এবং মডেল সম্পর্কে প্রযুক্তিগত মেটাডেটা যা অডিটিং এবং ডকুমেন্টেশনের উদ্দেশ্যে নির্ভরযোগ্যভাবে ব্যবহার করা যেতে পারে। তারা মডেলের একটি ফ্যাক্টশীট প্রদান করে যা মডেল গভর্নেন্সের জন্য গুরুত্বপূর্ণ।

মডেল কার্ডগুলি ব্যবহারকারীদের সিদ্ধান্তগুলি লেখক এবং সংরক্ষণ করতে দেয় যেমন কেন একটি উদ্দেশ্যমূলক ফাংশন অপ্টিমাইজেশানের জন্য বেছে নেওয়া হয়েছিল এবং বিশদ বিবরণ যেমন ইচ্ছাকৃত ব্যবহার এবং ঝুঁকি রেটিং। আপনি মূল্যায়নের ফলাফলগুলি সংযুক্ত এবং পর্যালোচনা করতে পারেন এবং ভবিষ্যতের রেফারেন্সের জন্য পর্যবেক্ষণগুলি লিখতে পারেন।

SageMaker-এ প্রশিক্ষিত মডেলগুলির জন্য, মডেল কার্ডগুলি প্রশিক্ষণের কাজ, প্রশিক্ষণের ডেটাসেট, মডেল শিল্পকর্ম এবং অনুমান পরিবেশের মতো বিশদগুলি আবিষ্কার এবং স্বয়ংক্রিয়ভাবে পূরণ করতে পারে, যার ফলে কার্ড তৈরির প্রক্রিয়াকে ত্বরান্বিত করে৷ SageMaker Python SDK-এর মাধ্যমে, আপনি নির্বিঘ্নে মূল্যায়ন মেট্রিক্স সহ মডেল কার্ড আপডেট করতে পারেন।

মডেল কার্ডগুলি মডেল ঝুঁকি পরিচালক, ডেটা বিজ্ঞানী এবং এমএল ইঞ্জিনিয়ারদের নিম্নলিখিত কাজগুলি সম্পাদন করার ক্ষমতা প্রদান করে:

• ডকুমেন্ট মডেলের প্রয়োজনীয়তা যেমন ঝুঁকি রেটিং, উদ্দিষ্ট ব্যবহার, সীমাবদ্ধতা এবং প্রত্যাশিত কর্মক্ষমতা
• SageMaker প্রশিক্ষিত মডেলের জন্য মডেল কার্ডগুলি স্বয়ংক্রিয়ভাবে জনবহুল করুন৷
• নন-সেজমেকার মডেলের জন্য আপনার নিজস্ব তথ্য (BYOI) আনুন
• মডেল এবং ডেটা মূল্যায়ন ফলাফল আপলোড এবং শেয়ার করুন
• কাস্টম তথ্য সংজ্ঞায়িত করুন এবং ক্যাপচার করুন
• মডেল কার্ডের অবস্থা ক্যাপচার করুন (খসড়া, মুলতুবি পর্যালোচনা, বা উত্পাদনের জন্য অনুমোদিত)
• থেকে মডেল কার্ড হাব অ্যাক্সেস করুন এডাব্লুএস ম্যানেজমেন্ট কনসোল
• মডেল কার্ডগুলি তৈরি করুন, সম্পাদনা করুন, দেখুন, রপ্তানি করুন, ক্লোন করুন এবং মুছুন৷
• ব্যবহার করে ওয়ার্কফ্লো ট্রিগার করুন অ্যামাজন ইভেন্টব্রিজ মডেল কার্ড স্থিতি পরিবর্তন ইভেন্টের জন্য একীকরণ

কনসোল ব্যবহার করে SageMaker মডেল কার্ড তৈরি করুন

SageMaker কনসোল ব্যবহার করে আপনি সহজেই মডেল কার্ড তৈরি করতে পারেন। এখানে আপনি বিদ্যমান সমস্ত মডেল কার্ড দেখতে পারবেন এবং প্রয়োজনে নতুন তৈরি করতে পারবেন।

একটি মডেল কার্ড তৈরি করার সময়, আপনি মডেলের গুরুত্বপূর্ণ তথ্য নথিভুক্ত করতে পারেন যেমন মডেলটি কে তৈরি করেছে, কেন এটি তৈরি করা হয়েছে, এটি স্বাধীন মূল্যায়নের জন্য কীভাবে কাজ করছে, এবং কোনও ব্যবসায়িক অ্যাপ্লিকেশনের জন্য মডেলটি ব্যবহার করার আগে বিবেচনা করা প্রয়োজন এমন কোনও পর্যবেক্ষণ।

কনসোলে একটি মডেল কার্ড তৈরি করতে, নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:

1. মডেল ওভারভিউ বিবরণ লিখুন.
2. প্রশিক্ষণের বিশদ লিখুন (যদি মডেলটি সেজমেকারে প্রশিক্ষণপ্রাপ্ত হয় তবে স্বয়ংক্রিয়ভাবে জনবহুল)।
3. মূল্যায়ন ফলাফল আপলোড.
4. সুপারিশ এবং নৈতিক বিবেচনার মতো অতিরিক্ত বিবরণ যোগ করুন।

আপনি মডেল কার্ড তৈরি করার পরে, আপনি এটি দেখার জন্য একটি সংস্করণ চয়ন করতে পারেন৷

নিম্নলিখিত স্ক্রিনশটটি আমাদের মডেল কার্ডের বিশদ বিবরণ দেখায়।

আপনি পিডিএফ হিসাবে ভাগ করার জন্য মডেল কার্ডটি রপ্তানি করতে পারেন।

SageMaker Python SDK-এর মাধ্যমে SageMaker মডেল কার্ড তৈরি করুন এবং অন্বেষণ করুন

মডেল কার্ডের সাথে ইন্টারঅ্যাক্ট করা কনসোলে সীমাবদ্ধ নয়। আপনি মডেল কার্ড তৈরি এবং অন্বেষণ করতে SageMaker Python SDK ব্যবহার করতে পারেন। SageMaker Python SDK ডেটা বিজ্ঞানী এবং এমএল ইঞ্জিনিয়ারদের সেজমেকার উপাদানগুলির সাথে সহজেই যোগাযোগ করতে দেয়৷ নিম্নলিখিত কোড স্নিপেটগুলি নতুন যোগ করা SageMaker Python SDK কার্যকারিতা ব্যবহার করে একটি মডেল কার্ড তৈরি করার প্রক্রিয়াটি প্রদর্শন করে৷

নিশ্চিত করুন যে আপনার কাছে SageMaker Python SDK এর সর্বশেষ সংস্করণ ইনস্টল করা আছে:

$ pip install --upgrade "sagemaker>=2"

একবার আপনি SageMaker ব্যবহার করে একটি মডেলকে প্রশিক্ষণ ও স্থাপন করার পরে, আপনি SageMaker মডেল থেকে তথ্য এবং প্রশিক্ষণের কাজটি মডেল কার্ডে স্বয়ংক্রিয়ভাবে তথ্য জমা করতে ব্যবহার করতে পারেন।

SageMaker Python SDK ব্যবহার করে এবং SageMaker মডেলের নাম পাস করে, আমরা স্বয়ংক্রিয়ভাবে মৌলিক মডেলের তথ্য সংগ্রহ করতে পারি। সেজমেকার মডেল এআরএন, প্রশিক্ষণের পরিবেশ এবং মডেল আউটপুটের মতো তথ্য আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3) অবস্থান সবই স্বয়ংক্রিয়ভাবে জনবহুল। আমরা অন্যান্য মডেলের তথ্য যোগ করতে পারি, যেমন বর্ণনা, সমস্যার ধরন, অ্যালগরিদমের ধরন, মডেল নির্মাতা এবং মালিক৷ নিম্নলিখিত কোড দেখুন:

model_overview = ModelOverview.from_name(
    model_name=model_name,
    sagemaker_session=sagemaker_session,
    model_description="This is a simple binary classification model used for Model Card demo",
    problem_type="Binary Classification",
    algorithm_type="Logistic Regression",
    model_creator="DEMO-ModelCard",
    model_owner="DEMO-ModelCard",
)
print(model_overview.model_id) # Provides us with the SageMaker Model ARN
print(model_overview.inference_environment.container_image) # Provides us with the SageMaker inference container URI
print(model_overview.model_artifact) # Provides us with the S3 location of the model artifacts

এছাড়াও আমরা স্বয়ংক্রিয়ভাবে প্রশিক্ষণের কাজ ARN, প্রশিক্ষণের পরিবেশ এবং প্রশিক্ষণের মেট্রিক্সের মতো প্রাথমিক প্রশিক্ষণ তথ্য সংগ্রহ করতে পারি। অতিরিক্ত প্রশিক্ষণ বিবরণ যোগ করা যেতে পারে, যেমন প্রশিক্ষণের উদ্দেশ্য ফাংশন এবং পর্যবেক্ষণ। নিম্নলিখিত কোড দেখুন:

objective_function = ObjectiveFunction(
    function=Function(
        function=ObjectiveFunctionEnum.MINIMIZE,
        facet=FacetEnum.LOSS,
    ),
    notes="This is a example objective function.",
)
training_details = TrainingDetails.from_model_overview(
    model_overview=model_overview,
    sagemaker_session=sagemaker_session,
    objective_function=objective_function,
    training_observations="Additional training observations could be put here."
)

print(training_details.training_job_details.training_arn) # Provides us with the SageMaker Model ARN
print(training_details.training_job_details.training_environment.container_image) # Provides us with the SageMaker training container URI
print([{"name": i.name, "value": i.value} for i in training_details.training_job_details.training_metrics]) # Provides us with the SageMaker Training Job metrics

যদি আমাদের কাছে মূল্যায়ন মেট্রিক্স উপলব্ধ থাকে, তাহলে আমরা মডেল কার্ডে সেগুলিও যোগ করতে পারি:

my_metric_group = MetricGroup(
    name="binary classification metrics",
    metric_data=[Metric(name="accuracy", type=MetricTypeEnum.NUMBER, value=0.5)]
)
evaluation_details = [
    EvaluationJob(
        name="Example evaluation job",
        evaluation_observation="Evaluation observations.",
        datasets=["s3://path/to/evaluation/data"],
        metric_groups=[my_metric_group],
    )
]

আমরা মডেল সম্পর্কে অতিরিক্ত তথ্য যোগ করতে পারি যা মডেল পরিচালনায় সহায়তা করতে পারে:

intended_uses = IntendedUses(
    purpose_of_model="Test Model Card.",
    intended_uses="Not used except this test.",
    factors_affecting_model_efficiency="No.",
    risk_rating=RiskRatingEnum.LOW,
    explanations_for_risk_rating="Just an example.",
)
additional_information = AdditionalInformation(
    ethical_considerations="You model ethical consideration.",
    caveats_and_recommendations="Your model's caveats and recommendations.",
    custom_details={"custom details1": "details value"},
)

আমাদের প্রয়োজনীয় সমস্ত বিবরণ প্রদান করার পরে, আমরা পূর্ববর্তী কনফিগারেশন ব্যবহার করে মডেল কার্ড তৈরি করতে পারি:

model_card_name = "sample-notebook-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 SDK একটি মডেল কার্ড আপডেট, লোড, তালিকা, রপ্তানি এবং মুছে ফেলার ক্ষমতা প্রদান করে।

মডেল কার্ড সম্পর্কে আরও জানতে, পড়ুন বিকাশকারী গাইড এবং অনুসরণ করুন এই শুরু করার জন্য উদাহরণ নোটবুক।

সেজমেকার মডেল ড্যাশবোর্ড

মডেল ড্যাশবোর্ড অ্যাকাউন্টে তৈরি করা সমস্ত মডেলের একটি কেন্দ্রীভূত সংগ্রহস্থল। মডেলগুলি সাধারণত SageMaker-এ প্রশিক্ষণের মাধ্যমে তৈরি করা হয়, অথবা আপনি SageMaker-এ হোস্ট করার জন্য আপনার প্রশিক্ষিত মডেলগুলি অন্য কোথাও আনতে পারেন।

মডেল ড্যাশবোর্ড আইটি অ্যাডমিনিস্ট্রেটর, মডেল রিস্ক ম্যানেজার বা ব্যবসায়িক নেতাদের জন্য সমস্ত স্থাপন করা মডেল এবং তারা কীভাবে পারফর্ম করছে তা দেখার জন্য একটি একক ইন্টারফেস প্রদান করে। মডেল পারফরম্যান্সের অন্তর্দৃষ্টি পেতে আপনি আপনার শেষ পয়েন্ট, ব্যাচ ট্রান্সফর্ম জব এবং মনিটরিং কাজ দেখতে পারেন। কোন মডেলগুলিতে অনুপস্থিত বা নিষ্ক্রিয় মনিটর রয়েছে তা সনাক্ত করতে সংস্থাগুলি গভীরভাবে ডুব দিতে পারে এবং সেজমেকার API ব্যবহার করে সেগুলিকে যুক্ত করতে পারে যাতে নিশ্চিত করা যায় যে সমস্ত মডেল ডেটা ড্রিফ্ট, মডেল ড্রিফ্ট, বায়াস ড্রিফ্ট এবং বৈশিষ্ট্য অ্যাট্রিবিউশন ড্রিফ্টের জন্য পরীক্ষা করা হচ্ছে।

নিম্নলিখিত স্ক্রিনশটটি মডেল ড্যাশবোর্ডের একটি উদাহরণ দেখায়।

মডেল ড্যাশবোর্ড আপনার সমস্ত মডেলের একটি ওভারভিউ প্রদান করে, তাদের ঝুঁকির রেটিং কী এবং সেই মডেলগুলি কীভাবে উৎপাদনে পারফর্ম করছে। এটি সেজমেকার জুড়ে তথ্য টেনে এটি করে। কর্মক্ষমতা মনিটরিং তথ্য মাধ্যমে ক্যাপচার করা হয় অ্যামাজন সেজমেকার মডেল মনিটর, এবং আপনি SageMaker ব্যাচ ট্রান্সফর্ম কাজের মাধ্যমে ব্যাচ ভবিষ্যদ্বাণীগুলির জন্য আহ্বান করা মডেলগুলির তথ্যও দেখতে পারেন৷ বংশের তথ্য যেমন মডেলটি কীভাবে প্রশিক্ষিত হয়েছিল, ডেটা ব্যবহার করা হয়েছিল এবং আরও অনেক কিছু ক্যাপচার করা হয় এবং মডেল কার্ডগুলি থেকেও তথ্য টেনে নেওয়া হয়।

মডেল মনিটর ব্যাচ ইনফারেন্স বা রিয়েল-টাইম এন্ডপয়েন্টের জন্য উত্পাদনে ব্যবহৃত সেজমেকার মডেলগুলির গুণমান পর্যবেক্ষণ করে। আপনি SageMaker API-এর মাধ্যমে ক্রমাগত পর্যবেক্ষণ বা নির্ধারিত মনিটর সেট আপ করতে পারেন এবং মডেল ড্যাশবোর্ডের মাধ্যমে সতর্কতা সেটিংস সম্পাদনা করতে পারেন। আপনি সতর্কতা সেট করতে পারেন যা মডেলের গুণমানে বিচ্যুতি হলে আপনাকে অবহিত করে। এই বিচ্যুতিগুলির প্রাথমিক এবং সক্রিয় সনাক্তকরণ আপনাকে সংশোধনমূলক পদক্ষেপ নিতে সক্ষম করে, যেমন মডেলগুলিকে পুনঃপ্রশিক্ষণ দেওয়া, আপস্ট্রিম সিস্টেমগুলি অডিট করা, বা মানের সমস্যাগুলিকে ম্যানুয়ালি নিরীক্ষণ না করে বা অতিরিক্ত টুলিং তৈরি না করেই। মডেল ড্যাশবোর্ড আপনাকে দ্রুত অন্তর্দৃষ্টি দেয় কোন মডেলগুলি পর্যবেক্ষণ করা হচ্ছে এবং তারা কীভাবে পারফর্ম করছে। মডেল মনিটর সম্পর্কে আরও তথ্যের জন্য, দেখুন ডেটা এবং মডেলের গুণমান, পক্ষপাত এবং ব্যাখ্যাযোগ্যতার জন্য মডেলগুলি পর্যবেক্ষণ করুন.

আপনি যখন মডেল ড্যাশবোর্ডে একটি মডেল চয়ন করেন, আপনি মডেলের গভীর অন্তর্দৃষ্টি পেতে পারেন, যেমন মডেল কার্ড (যদি একটি বিদ্যমান থাকে), মডেলের বংশ, মডেলটি যে শেষবিন্দুতে স্থাপন করা হয়েছে সে সম্পর্কে বিশদ বিবরণ এবং এর জন্য পর্যবেক্ষণের সময়সূচী মডেল.

এই ভিউ আপনাকে প্রয়োজন হলে একটি মডেল কার্ড তৈরি করতে দেয়। মনিটরিং সময়সূচীটি মডেল ড্যাশবোর্ডের মাধ্যমে সক্রিয়, নিষ্ক্রিয় বা সম্পাদনা করা যেতে পারে।

যেসব মডেলের কোনো মনিটরিং সময়সূচী নেই তাদের জন্য, আপনি মডেল মনিটর সক্ষম করে এটি সেট আপ করতে পারেন যে মডেলটিতে মোতায়েন করা হয়েছে শেষবিন্দুর জন্য। সতর্কতার বিশদ বিবরণ এবং স্থিতির মাধ্যমে, আপনি কোন মনিটর সেট আপ করেছেন তার উপর নির্ভর করে ডেটা ড্রিফট, মডেল ড্রিফ্ট, বায়াস ড্রিফ্ট বা ফিচার ড্রিফ্ট দেখাচ্ছে এমন মডেলগুলির বিষয়ে আপনাকে অবহিত করা হবে।

মডেল মনিটরিং কিভাবে সেট আপ করতে হয় তার একটি উদাহরণ ওয়ার্কফ্লো দেখুন। এই প্রক্রিয়ার মূল ধাপগুলি হল:

1. এন্ডপয়েন্টে পাঠানো ডেটা ক্যাপচার করুন (বা ব্যাচ ট্রান্সফর্ম জব)।
2. একটি বেসলাইন স্থাপন করুন (নিরীক্ষণের প্রতিটি প্রকারের জন্য)।
3. লঙ্ঘন এবং ট্রিগার সতর্কতা রিপোর্ট করতে বেসলাইনের বিরুদ্ধে লাইভ পূর্বাভাস তুলনা করার জন্য একটি মডেল মনিটর সময়সূচী তৈরি করুন।

সতর্কতার উপর ভিত্তি করে, আপনি এন্ডপয়েন্টটিকে পূর্ববর্তী সংস্করণে ফিরিয়ে আনা বা নতুন ডেটা সহ মডেলটিকে পুনরায় প্রশিক্ষণ দেওয়ার মতো পদক্ষেপ নিতে পারেন। এটি করার সময়, মডেলটিকে কীভাবে প্রশিক্ষিত করা হয়েছিল তা খুঁজে বের করা প্রয়োজন হতে পারে, যা মডেলের বংশকে কল্পনা করে করা যেতে পারে।

মডেল ড্যাশবোর্ড একটি অ্যাকাউন্টে সামগ্রিক মডেল ইকোসিস্টেম সম্পর্কিত তথ্যের একটি সমৃদ্ধ সেট অফার করে, একটি মডেলের নির্দিষ্ট বিবরণে ড্রিল করার ক্ষমতা ছাড়াও। মডেল ড্যাশবোর্ড সম্পর্কে আরও জানতে, পড়ুন বিকাশকারী গাইড.

উপসংহার

মডেল গভর্নেন্স জটিল এবং প্রায়শই একটি সংস্থা বা শিল্পের জন্য নির্দিষ্ট প্রচুর কাস্টমাইজড প্রয়োজন জড়িত। এটি আপনার সংস্থাকে মেনে চলার প্রয়োজনীয় নিয়ন্ত্রক প্রয়োজনীয়তাগুলির উপর ভিত্তি করে হতে পারে, সংস্থায় উপস্থিত ব্যক্তিত্বের ধরন এবং ব্যবহৃত মডেলগুলির প্রকারগুলি। শাসনের জন্য কোনো এক-আকার-ফিট-সমস্ত পদ্ধতি নেই, এবং সঠিক সরঞ্জাম উপলব্ধ থাকা গুরুত্বপূর্ণ যাতে একটি শক্তিশালী শাসন প্রক্রিয়া চালু করা যায়।

সেজমেকারে উদ্দেশ্য-নির্মিত এমএল গভর্নেন্স টুলের সাহায্যে, সংস্থাগুলি তাদের নির্দিষ্ট ব্যবহারের ক্ষেত্রে এমএল প্রকল্পগুলির উপর নিয়ন্ত্রণ এবং দৃশ্যমানতা উন্নত করার জন্য সঠিক প্রক্রিয়াগুলি বাস্তবায়ন করতে পারে। মডেল কার্ড এবং মডেল ড্যাশবোর্ড একবার চেষ্টা করুন, এবং প্রশ্ন এবং প্রতিক্রিয়া সহ আপনার মন্তব্য দিন। মডেল কার্ড এবং মডেল ড্যাশবোর্ড সম্পর্কে আরও জানতে, পড়ুন বিকাশকারী গাইড.

লেখক সম্পর্কে

কিরীট থাডাকা সেজমেকার সার্ভিস এসএ টিমে কাজ করা একজন এমএল সলিউশন আর্কিটেক্ট। AWS-এ যোগদানের আগে, কিরীট প্রাথমিক পর্যায়ের AI স্টার্টআপগুলিতে কাজ করেছিলেন এবং কিছু সময় AI গবেষণা, MLOps এবং প্রযুক্তিগত নেতৃত্বে বিভিন্ন ভূমিকার পরামর্শ দিয়েছিলেন।

মার্ক কার্প সেজমেকার সার্ভিস টিমের সাথে একজন এমএল আর্কিটেক্ট। তিনি গ্রাহকদের স্কেলে এমএল ওয়ার্কলোড ডিজাইন, স্থাপন এবং পরিচালনা করতে সহায়তা করার উপর ফোকাস করেন। তার অবসর সময়ে, তিনি ভ্রমণ এবং নতুন জায়গা অন্বেষণ উপভোগ করেন।

রঘু রমেশা অ্যামাজন সেজমেকার সার্ভিস টিমের সাথে একজন এমএল সলিউশন আর্কিটেক্ট। তিনি গ্রাহকদের এমএল উৎপাদন কাজের লোডগুলিকে সেজমেকারে স্কেলে তৈরি, স্থাপন এবং স্থানান্তর করতে সহায়তা করার দিকে মনোনিবেশ করেন। তিনি মেশিন লার্নিং, এআই, এবং কম্পিউটার ভিশন ডোমেনে বিশেষজ্ঞ এবং UT ডালাস থেকে কম্পিউটার সায়েন্সে স্নাতকোত্তর ডিগ্রি অর্জন করেছেন। তার অবসর সময়ে, তিনি ভ্রমণ এবং ফটোগ্রাফি উপভোগ করেন।

রাম বিট্টল এডব্লিউএস-এর একজন এমএল বিশেষজ্ঞ সলিউশন আর্কিটেক্ট। তার 20 বছরের বেশি অভিজ্ঞতা রয়েছে আর্কিটেক্টিং এবং বিল্ডিং ডিস্ট্রিবিউটেড, হাইব্রিড এবং ক্লাউড অ্যাপ্লিকেশন। এন্টারপ্রাইজ গ্রাহকদের তাদের ব্যবসায়িক ফলাফল উন্নত করতে তাদের ক্লাউড গ্রহণ এবং অপ্টিমাইজেশন যাত্রায় সহায়তা করার জন্য নিরাপদ এবং মাপযোগ্য AI/ML এবং বড় ডেটা সমাধান তৈরির বিষয়ে তিনি উত্সাহী। তার অবসর সময়ে, তিনি টেনিস, ফটোগ্রাফি এবং অ্যাকশন সিনেমা উপভোগ করেন।

সাহিল সাইনি অ্যামাজন ওয়েব সার্ভিসেসের একজন আইএসভি সলিউশন আর্কিটেক্ট। তিনি এআই/এমএল, কনটেইনার, এইচপিসি এবং আইওটি-এর জন্য AWS পরিষেবাগুলি ব্যবহার করে প্রযুক্তিগত সমাধানগুলিতে সহায়তা করার জন্য AWS কৌশলগত গ্রাহকদের পণ্য এবং প্রকৌশল দলের সাথে কাজ করেন। তিনি এন্টারপ্রাইজ গ্রাহকদের জন্য AI/ML প্ল্যাটফর্ম সেট আপ করতে সাহায্য করেছেন।