Βελτιώστε τη διακυβέρνηση των μοντέλων μηχανικής εκμάθησης με το Amazon SageMaker

Καθώς οι εταιρείες υιοθετούν ολοένα και περισσότερο τη μηχανική μάθηση (ML) για τις κύριες επιχειρηματικές εφαρμογές τους, περισσότερες από τις επιχειρηματικές τους αποφάσεις επηρεάζονται από τα μοντέλα ML. Ως αποτέλεσμα αυτού, ο απλοποιημένος έλεγχος πρόσβασης και η βελτιωμένη διαφάνεια σε όλα τα μοντέλα ML σας διευκολύνει την επικύρωση της καλής απόδοσης των μοντέλων σας και την ανάληψη δράσης όταν δεν έχουν.

Σε αυτήν την ανάρτηση, διερευνούμε πώς οι εταιρείες μπορούν να βελτιώσουν την ορατότητα των μοντέλων τους με κεντρικούς πίνακες εργαλείων και λεπτομερή τεκμηρίωση των μοντέλων τους χρησιμοποιώντας δύο νέες δυνατότητες: τις κάρτες μοντέλων SageMaker και τον πίνακα εργαλείων μοντέλου SageMaker. Και οι δύο αυτές λειτουργίες είναι διαθέσιμες χωρίς πρόσθετη χρέωση στους πελάτες του SageMaker.

Επισκόπηση του μοντέλου διακυβέρνησης

Το μοντέλο διακυβέρνησης είναι ένα πλαίσιο που δίνει συστηματική προβολή στην ανάπτυξη, την επικύρωση και τη χρήση του μοντέλου. Η διακυβέρνηση μοντέλου εφαρμόζεται σε όλη τη ροή εργασιών ML από άκρο σε άκρο, ξεκινώντας από τον εντοπισμό της περίπτωσης χρήσης ML έως τη συνεχή παρακολούθηση ενός αναπτυγμένου μοντέλου μέσω ειδοποιήσεων, αναφορών και πινάκων εργαλείων. Ένα καλά εφαρμοσμένο πλαίσιο διακυβέρνησης μοντέλου θα πρέπει να ελαχιστοποιεί τον αριθμό των διεπαφών που απαιτούνται για την προβολή, παρακολούθηση και διαχείριση εργασιών κύκλου ζωής, ώστε να διευκολύνεται η παρακολούθηση του κύκλου ζωής ML σε κλίμακα.

Σήμερα, οι οργανισμοί επενδύουν σημαντική τεχνική τεχνογνωσία στην κατασκευή εργαλείων για την αυτοματοποίηση μεγάλων τμημάτων της ροής εργασιών διακυβέρνησης και ελέγχου. Για παράδειγμα, οι κατασκευαστές μοντέλων πρέπει να καταγράφουν προληπτικά τις προδιαγραφές του μοντέλου, όπως η προβλεπόμενη χρήση για ένα μοντέλο, η αξιολόγηση κινδύνου και τα κριτήρια απόδοσης με τα οποία θα πρέπει να μετράται το μοντέλο. Επιπλέον, πρέπει επίσης να καταγράφουν παρατηρήσεις σχετικά με τη συμπεριφορά του μοντέλου και να τεκμηριώνουν τον λόγο που έλαβαν ορισμένες βασικές αποφάσεις, όπως η αντικειμενική συνάρτηση με την οποία βελτιστοποίησαν το μοντέλο.

Είναι σύνηθες για τις εταιρείες να χρησιμοποιούν εργαλεία όπως το Excel ή το ηλεκτρονικό ταχυδρομείο για να καταγράψουν και να μοιραστούν τέτοιες πληροφορίες μοντέλου για χρήση σε εγκρίσεις για χρήση παραγωγής. Αλλά καθώς αυξάνεται η κλίμακα της ανάπτυξης ML, οι πληροφορίες μπορούν εύκολα να χαθούν ή να λανθασθούν και η παρακολούθηση αυτών των λεπτομερειών γίνεται γρήγορα ανέφικτη. Επιπλέον, μετά την ανάπτυξη αυτών των μοντέλων, μπορείτε να συνδυάσετε δεδομένα από διάφορες πηγές για να αποκτήσετε ορατότητα από άκρο σε άκρο σε όλα τα μοντέλα, τα τελικά σημεία, το ιστορικό παρακολούθησης και τη γενεαλογία σας. Χωρίς μια τέτοια προβολή, μπορείτε εύκολα να χάσετε τα ίχνη των μοντέλων σας και μπορεί να μην γνωρίζετε πότε πρέπει να κάνετε κάποια ενέργεια για αυτά. Αυτό το ζήτημα εντείνεται σε κλάδους με υψηλή ρύθμιση, επειδή υπόκεινται σε κανονισμούς που απαιτούν από εσάς να διατηρήσετε τέτοια μέτρα.

Καθώς ο όγκος των μοντέλων αρχίζει να κλιμακώνεται, η διαχείριση προσαρμοσμένων εργαλείων μπορεί να γίνει πρόκληση και δίνει λιγότερο χρόνο στους οργανισμούς να επικεντρωθούν στις βασικές επιχειρηματικές ανάγκες. Στις επόμενες ενότητες, διερευνούμε πώς οι κάρτες μοντέλων SageMaker και ο πίνακας μοντέλων SageMaker μπορούν να σας βοηθήσουν να κλιμακώσετε τις προσπάθειές σας όσον αφορά τη διακυβέρνηση.

Κάρτες μοντέλου SageMaker

Οι κάρτες μοντέλων σάς επιτρέπουν να τυποποιήσετε τον τρόπο τεκμηρίωσης των μοντέλων, επιτυγχάνοντας έτσι ορατότητα στον κύκλο ζωής ενός μοντέλου, από το σχεδιασμό, την κατασκευή, την εκπαίδευση και την αξιολόγηση. Οι κάρτες μοντέλων προορίζονται να αποτελέσουν μια ενιαία πηγή αλήθειας για επιχειρηματικά και τεχνικά μεταδεδομένα σχετικά με το μοντέλο που μπορούν να χρησιμοποιηθούν αξιόπιστα για σκοπούς ελέγχου και τεκμηρίωσης. Παρέχουν ένα ενημερωτικό δελτίο του μοντέλου που είναι σημαντικό για τη διακυβέρνηση του μοντέλου.

Οι κάρτες μοντέλων επιτρέπουν στους χρήστες να συντάσσουν και να αποθηκεύουν αποφάσεις όπως γιατί επιλέχθηκε μια αντικειμενική συνάρτηση για βελτιστοποίηση και λεπτομέρειες όπως η προβλεπόμενη χρήση και η αξιολόγηση κινδύνου. Μπορείτε επίσης να επισυνάψετε και να ελέγξετε τα αποτελέσματα της αξιολόγησης και να σημειώσετε παρατηρήσεις για μελλοντική αναφορά.

Για μοντέλα που έχουν εκπαιδευτεί στο SageMaker, οι κάρτες μοντέλων μπορούν να ανακαλύψουν και να συμπληρώσουν αυτόματα λεπτομέρειες όπως εργασία εκπαίδευσης, σύνολα δεδομένων εκπαίδευσης, τεχνουργήματα μοντέλων και περιβάλλον συμπερασμάτων, επιταχύνοντας έτσι τη διαδικασία δημιουργίας των καρτών. Με το SageMaker Python SDK, μπορείτε να ενημερώσετε απρόσκοπτα την κάρτα μοντέλου με μετρήσεις αξιολόγησης.

Οι κάρτες μοντέλων παρέχουν στους διαχειριστές κινδύνου μοντέλων, στους επιστήμονες δεδομένων και στους μηχανικούς ML τη δυνατότητα να εκτελούν τις ακόλουθες εργασίες:

• Απαιτήσεις μοντέλου εγγράφων όπως η αξιολόγηση κινδύνου, η προβλεπόμενη χρήση, οι περιορισμοί και η αναμενόμενη απόδοση
• Αυτόματη συμπλήρωση καρτών μοντέλων για εκπαιδευμένα μοντέλα SageMaker
• Φέρτε τις δικές σας πληροφορίες (BYOI) για μοντέλα που δεν ανήκουν στο SageMaker
• Μεταφόρτωση και κοινή χρήση μοντέλου και αποτελεσμάτων αξιολόγησης δεδομένων
• Ορισμός και λήψη προσαρμοσμένων πληροφοριών
• Λήψη κατάστασης κάρτας μοντέλου (πρόχειρο, εκκρεμεί έλεγχος ή εγκρίθηκε για παραγωγή)
• Πρόσβαση στον κόμβο κάρτας μοντέλου από το Κονσόλα διαχείρισης AWS
• Δημιουργία, επεξεργασία, προβολή, εξαγωγή, κλωνοποίηση και διαγραφή καρτών μοντέλου
• Ενεργοποίηση ροών εργασιών χρησιμοποιώντας Amazon EventBridge ενσωμάτωση για συμβάντα αλλαγής κατάστασης κάρτας μοντέλου

Δημιουργήστε κάρτες μοντέλου SageMaker χρησιμοποιώντας την κονσόλα

Μπορείτε εύκολα να δημιουργήσετε κάρτες Model χρησιμοποιώντας την κονσόλα SageMaker. Εδώ μπορείτε να δείτε όλες τις υπάρχουσες κάρτες μοντέλου και να δημιουργήσετε νέες όπως απαιτείται.

Κατά τη δημιουργία μιας κάρτας μοντέλου, μπορείτε να τεκμηριώσετε κρίσιμες πληροφορίες μοντέλου, όπως ποιος κατασκεύασε το μοντέλο, γιατί αναπτύχθηκε, πώς αποδίδει για ανεξάρτητες αξιολογήσεις και τυχόν παρατηρήσεις που πρέπει να ληφθούν υπόψη πριν από τη χρήση του μοντέλου για μια επιχειρηματική εφαρμογή.

Για να δημιουργήσετε μια κάρτα μοντέλου στην κονσόλα, ολοκληρώστε τα παρακάτω βήματα:

1. Εισαγάγετε λεπτομέρειες επισκόπησης μοντέλου.
2. Εισαγάγετε λεπτομέρειες εκπαίδευσης (συμπληρώνονται αυτόματα εάν το μοντέλο εκπαιδεύτηκε στο SageMaker).
3. Μεταφόρτωση αποτελεσμάτων αξιολόγησης.
4. Προσθέστε πρόσθετες λεπτομέρειες, όπως συστάσεις και ηθικούς λόγους.

Αφού δημιουργήσετε την κάρτα μοντέλου, μπορείτε να επιλέξετε μια έκδοση για να την προβάλετε.

Το παρακάτω στιγμιότυπο οθόνης δείχνει τις λεπτομέρειες της κάρτας μοντέλου μας.

Μπορείτε επίσης να εξαγάγετε την κάρτα μοντέλου για κοινή χρήση ως PDF.

Δημιουργήστε και εξερευνήστε κάρτες μοντέλων SageMaker μέσω του SageMaker Python SDK

Η αλληλεπίδραση με κάρτες μοντέλου δεν περιορίζεται στην κονσόλα. Μπορείτε επίσης να χρησιμοποιήσετε το SageMaker Python SDK για να δημιουργήσετε και να εξερευνήσετε κάρτες Model. Το SageMaker Python SDK επιτρέπει στους επιστήμονες δεδομένων και στους μηχανικούς ML να αλληλεπιδρούν εύκολα με τα στοιχεία του SageMaker. Τα παρακάτω αποσπάσματα κώδικα παρουσιάζουν τη διαδικασία δημιουργίας μιας κάρτας μοντέλου χρησιμοποιώντας τη λειτουργικότητα SageMaker Python SDK που προστέθηκε πρόσφατα.

Βεβαιωθείτε ότι έχετε εγκατεστημένη την πιο πρόσφατη έκδοση του SageMaker Python SDK:

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

Αφού εκπαιδεύσετε και αναπτύξετε ένα μοντέλο χρησιμοποιώντας το SageMaker, μπορείτε να χρησιμοποιήσετε τις πληροφορίες από το μοντέλο SageMaker και την εργασία εκπαίδευσης για να συμπληρώσετε αυτόματα πληροφορίες στην κάρτα Model.

Χρησιμοποιώντας το SageMaker Python SDK και μεταβιβάζοντας το όνομα μοντέλου SageMaker, μπορούμε να συλλέξουμε αυτόματα βασικές πληροφορίες μοντέλου. Πληροφορίες όπως το μοντέλο ARN του SageMaker, το περιβάλλον εκπαίδευσης και η έξοδος του μοντέλου Απλή υπηρεσία αποθήκευσης Amazon Η τοποθεσία (Amazon S3) συμπληρώνεται αυτόματα. Μπορούμε να προσθέσουμε άλλα στοιχεία μοντέλου, όπως περιγραφή, τύπο προβλήματος, τύπο αλγορίθμου, δημιουργό μοντέλου και κάτοχο. Δείτε τον παρακάτω κώδικα:

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

Μπορούμε επίσης να συλλέξουμε αυτόματα βασικές πληροφορίες εκπαίδευσης, όπως ARN εργασίας εκπαίδευσης, περιβάλλον εκπαίδευσης και μετρήσεις εκπαίδευσης. Μπορούν να προστεθούν πρόσθετες λεπτομέρειες εκπαίδευσης, όπως συνάρτηση στόχου εκπαίδευσης και παρατηρήσεις. Δείτε τον παρακάτω κώδικα:

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

Εάν έχουμε διαθέσιμες μετρήσεις αξιολόγησης, μπορούμε να τις προσθέσουμε και στην κάρτα μοντέλου:

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],
    )
]

Μπορούμε επίσης να προσθέσουμε πρόσθετες πληροφορίες σχετικά με το μοντέλο που μπορούν να βοηθήσουν στη διακυβέρνηση του μοντέλου:

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"},
)

Αφού έχουμε παράσχει όλες τις λεπτομέρειες που απαιτούμε, μπορούμε να δημιουργήσουμε την κάρτα μοντέλου χρησιμοποιώντας την προηγούμενη διαμόρφωση:

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()

Το SageMaker SDK παρέχει επίσης τη δυνατότητα ενημέρωσης, φόρτωσης, λίστας, εξαγωγής και διαγραφής μιας κάρτας μοντέλου.

Για να μάθετε περισσότερα σχετικά με τις κάρτες μοντέλου, ανατρέξτε στο οδηγός προγραμματιστή και ακολουθήστε αυτό παράδειγμα σημειωματάριο για να ξεκινήσετε.

Πίνακας εργαλείων SageMaker Model

Ο πίνακας εργαλείων μοντέλου είναι ένα κεντρικό αποθετήριο όλων των μοντέλων που έχουν δημιουργηθεί στο λογαριασμό. Τα μοντέλα δημιουργούνται συνήθως με εκπαίδευση στο SageMaker ή μπορείτε να φέρετε τα μοντέλα σας που έχουν εκπαιδευτεί αλλού για φιλοξενία στο SageMaker.

Ο πίνακας εργαλείων μοντέλου παρέχει μια ενιαία διεπαφή για διαχειριστές IT, διαχειριστές κινδύνου μοντέλων ή ηγέτες επιχειρήσεων για να δουν όλα τα αναπτυγμένα μοντέλα και την απόδοσή τους. Μπορείτε να προβάλετε τα τελικά σημεία σας, τις εργασίες μαζικής μετατροπής και τις εργασίες παρακολούθησης για να λάβετε πληροφορίες σχετικά με την απόδοση του μοντέλου. Οι οργανισμοί μπορούν να βουτήξουν βαθιά για να εντοπίσουν ποια μοντέλα λείπουν ή ποια είναι ανενεργά οθόνες και να τα προσθέσουν χρησιμοποιώντας SageMaker API για να διασφαλίσουν ότι όλα τα μοντέλα ελέγχονται για μετατόπιση δεδομένων, μετατόπιση μοντέλου, μετατόπιση προκατάληψης και μετατόπιση απόδοσης χαρακτηριστικών.

Το ακόλουθο στιγμιότυπο οθόνης δείχνει ένα παράδειγμα του πίνακα εργαλείων μοντέλου.

Ο πίνακας εργαλείων μοντέλου παρέχει μια επισκόπηση όλων των μοντέλων σας, ποια είναι η κατάταξη κινδύνου και η απόδοση αυτών των μοντέλων στην παραγωγή. Αυτό το κάνει αντλώντας πληροφορίες από το SageMaker. Οι πληροφορίες παρακολούθησης απόδοσης συλλαμβάνονται μέσω Παρακολούθηση μοντέλου Amazon SageMaker, και μπορείτε επίσης να δείτε πληροφορίες για μοντέλα που επικαλούνται για προβλέψεις παρτίδας μέσω εργασιών μετασχηματισμού παρτίδας του SageMaker. Καταγράφονται πληροφορίες γενεαλογίας, όπως ο τρόπος εκπαίδευσης του μοντέλου, τα δεδομένα που χρησιμοποιήθηκαν και άλλα, καθώς και πληροφορίες από κάρτες μοντέλου.

Το Model Monitor παρακολουθεί την ποιότητα των μοντέλων SageMaker που χρησιμοποιούνται στην παραγωγή για συμπεράσματα παρτίδας ή τελικά σημεία σε πραγματικό χρόνο. Μπορείτε να ρυθμίσετε συνεχή παρακολούθηση ή προγραμματισμένες οθόνες μέσω των API του SageMaker και να επεξεργαστείτε τις ρυθμίσεις ειδοποίησης μέσω του πίνακα εργαλείων μοντέλου. Μπορείτε να ορίσετε ειδοποιήσεις που σας ειδοποιούν όταν υπάρχουν αποκλίσεις στην ποιότητα του μοντέλου. Ο έγκαιρος και προληπτικός εντοπισμός αυτών των αποκλίσεων σάς δίνει τη δυνατότητα να προβείτε σε διορθωτικές ενέργειες, όπως επανεκπαίδευση μοντέλων, έλεγχος ανοδικών συστημάτων ή επιδιόρθωση προβλημάτων ποιότητας χωρίς να χρειάζεται να παρακολουθείτε τα μοντέλα με μη αυτόματο τρόπο ή να δημιουργήσετε πρόσθετα εργαλεία. Ο πίνακας εργαλείων μοντέλου σάς παρέχει γρήγορη εικόνα για τα μοντέλα που παρακολουθούνται και για την απόδοσή τους. Για περισσότερες πληροφορίες σχετικά με το Model Monitor, επισκεφτείτε Παρακολούθηση μοντέλων για δεδομένα και ποιότητα μοντέλων, μεροληψία και επεξήγηση.

Όταν επιλέγετε ένα μοντέλο στον πίνακα εργαλείων μοντέλου, μπορείτε να λάβετε βαθύτερες πληροφορίες για το μοντέλο, όπως την κάρτα μοντέλου (εάν υπάρχει), τη γραμμή του μοντέλου, λεπτομέρειες σχετικά με το τελικό σημείο στο οποίο έχει αναπτυχθεί το μοντέλο και το πρόγραμμα παρακολούθησης για το μοντέλο.

Αυτή η προβολή σάς επιτρέπει να δημιουργήσετε μια κάρτα μοντέλου εάν χρειάζεται. Το πρόγραμμα παρακολούθησης μπορεί να ενεργοποιηθεί, να απενεργοποιηθεί ή να τροποποιηθεί επίσης μέσω του πίνακα εργαλείων μοντέλου.

Για μοντέλα που δεν διαθέτουν χρονοδιάγραμμα παρακολούθησης, μπορείτε να το ρυθμίσετε ενεργοποιώντας την Παρακολούθηση Μοντέλου για το τελικό σημείο στο οποίο έχει αναπτυχθεί το μοντέλο. Μέσω των λεπτομερειών και της κατάστασης ειδοποίησης, θα ειδοποιηθείτε για μοντέλα που εμφανίζουν μετατόπιση δεδομένων, μετατόπιση μοντέλου, μετατόπιση προκατάληψης ή μετατόπιση χαρακτηριστικών, ανάλογα με τις οθόνες που ρυθμίζετε.

Ας δούμε ένα παράδειγμα ροής εργασίας σχετικά με τον τρόπο ρύθμισης της παρακολούθησης μοντέλου. Τα βασικά βήματα αυτής της διαδικασίας είναι:

1. Καταγράψτε δεδομένα που αποστέλλονται στο τελικό σημείο (ή εργασία μετασχηματισμού παρτίδας).
2. Καθορίστε μια γραμμή βάσης (για κάθε έναν από τους τύπους παρακολούθησης).
3. Δημιουργήστε ένα πρόγραμμα παρακολούθησης μοντέλου για να συγκρίνετε τις ζωντανές προβλέψεις με τη γραμμή βάσης για να αναφέρετε παραβιάσεις και να ενεργοποιήσετε ειδοποιήσεις.

Με βάση τις ειδοποιήσεις, μπορείτε να προβείτε σε ενέργειες όπως επαναφορά του τελικού σημείου σε προηγούμενη έκδοση ή επανεκπαίδευση του μοντέλου με νέα δεδομένα. Ενώ το κάνετε αυτό, μπορεί να είναι απαραίτητο να εντοπιστεί ο τρόπος εκπαίδευσης του μοντέλου, κάτι που μπορεί να γίνει οπτικοποιώντας τη γενεαλογία του μοντέλου.

Ο πίνακας εργαλείων Μοντέλου προσφέρει ένα πλούσιο σύνολο πληροφοριών σχετικά με το συνολικό οικοσύστημα του μοντέλου σε έναν λογαριασμό, επιπλέον της δυνατότητας να διερευνήσετε τις συγκεκριμένες λεπτομέρειες ενός μοντέλου. Για να μάθετε περισσότερα σχετικά με τον πίνακα εργαλείων μοντέλου, ανατρέξτε στο οδηγός προγραμματιστή.

Συμπέρασμα

Το μοντέλο διακυβέρνησης είναι πολύπλοκο και συχνά περιλαμβάνει πολλές προσαρμοσμένες ανάγκες ειδικά για έναν οργανισμό ή έναν κλάδο. Αυτό θα μπορούσε να βασίζεται στις κανονιστικές απαιτήσεις με τις οποίες πρέπει να συμμορφώνεται ο οργανισμός σας, στους τύπους προσώπων που υπάρχουν στον οργανισμό και στους τύπους μοντέλων που χρησιμοποιούνται. Δεν υπάρχει μια ενιαία προσέγγιση για τη διακυβέρνηση και είναι σημαντικό να υπάρχουν τα κατάλληλα εργαλεία ώστε να μπορεί να τεθεί σε εφαρμογή μια ισχυρή διαδικασία διακυβέρνησης.

Με τα ειδικά κατασκευασμένα εργαλεία διακυβέρνησης ML στο SageMaker, οι οργανισμοί μπορούν να εφαρμόσουν τους σωστούς μηχανισμούς για τη βελτίωση του ελέγχου και της προβολής των έργων ML για τις συγκεκριμένες περιπτώσεις χρήσης τους. Δοκιμάστε τις κάρτες μοντέλου και τον πίνακα ελέγχου μοντέλου και αφήστε τα σχόλιά σας με ερωτήσεις και σχόλια. Για να μάθετε περισσότερα σχετικά με τις κάρτες μοντέλου και τον πίνακα ελέγχου μοντέλου, ανατρέξτε στο οδηγός προγραμματιστή.

Σχετικά με τους συγγραφείς

Kirit Thadaka είναι αρχιτέκτονας ML Solutions που εργάζεται στην ομάδα της SageMaker Service SA. Πριν από την ένταξή του στην AWS, ο Kirit εργάστηκε σε νεοσύστατες επιχειρήσεις τεχνητής νοημοσύνης σε πρώιμο στάδιο και ακολούθησε κάποιο διάστημα συμβουλευτικής σε διάφορους ρόλους στην έρευνα τεχνητής νοημοσύνης, τα MLOps και την τεχνική ηγεσία.

Μαρκ Καρπ είναι αρχιτέκτονας ML με την ομάδα του SageMaker Service. Επικεντρώνεται στο να βοηθά τους πελάτες να σχεδιάζουν, να αναπτύσσουν και να διαχειρίζονται φόρτους εργασίας ML σε κλίμακα. Στον ελεύθερο χρόνο του, του αρέσει να ταξιδεύει και να εξερευνά νέα μέρη.

Raghu Ramesha είναι αρχιτέκτονας ML Solutions με την ομάδα του Amazon SageMaker Service. Επικεντρώνεται στο να βοηθά τους πελάτες να δημιουργήσουν, να αναπτύξουν και να μεταφέρουν φόρτους εργασίας παραγωγής ML στο SageMaker σε κλίμακα. Ειδικεύεται σε τομείς μηχανικής μάθησης, τεχνητής νοημοσύνης και όρασης υπολογιστών και είναι κάτοχος μεταπτυχιακού τίτλου στην Επιστήμη Υπολογιστών από το UT Dallas. Στον ελεύθερο χρόνο του, του αρέσουν τα ταξίδια και η φωτογραφία.

Ραμ Βιτάλ είναι Αρχιτέκτονας ML Specialist Solutions στην AWS. Έχει πάνω από 20 χρόνια εμπειρία στην αρχιτεκτονική και την κατασκευή εφαρμογών κατανεμημένων, υβριδικών και cloud εφαρμογών. Είναι παθιασμένος με τη δημιουργία ασφαλών και επεκτάσιμων λύσεων AI/ML και μεγάλων δεδομένων για να βοηθήσει τους εταιρικούς πελάτες με το ταξίδι υιοθέτησης και βελτιστοποίησης του cloud για να βελτιώσουν τα επιχειρηματικά τους αποτελέσματα. Στον ελεύθερο χρόνο του, του αρέσει το τένις, η φωτογραφία και οι ταινίες δράσης.

Σαχίλ Σαΐνη είναι αρχιτέκτονας λύσεων ISV στο Amazon Web Services. Συνεργάζεται με ομάδες προϊόντων και μηχανικών στρατηγικών πελατών της AWS για να τους βοηθήσει με τεχνολογικές λύσεις που χρησιμοποιούν υπηρεσίες AWS για AI/ML, Containers, HPC και IoT. Έχει βοηθήσει στη δημιουργία πλατφορμών AI/ML για εταιρικούς πελάτες.