Tarjetas modelo de Amazon SageMaker le permite estandarizar cómo se documentan los modelos, logrando así visibilidad en el ciclo de vida de un modelo, desde el diseño, la construcción, la capacitación y la evaluación. Las tarjetas modelo están destinadas a ser una única fuente de verdad para los metadatos comerciales y técnicos sobre el modelo que se puede usar de manera confiable con fines de auditoría y documentación. Proporcionan una hoja informativa del modelo que es importante para la gobernanza del modelo.
Hasta ahora, las tarjetas modelo estaban asociadas lógicamente a un modelo en el Registro de modelos de Amazon SageMaker utilizando la coincidencia de nombre de modelo. Sin embargo, al resolver un problema comercial a través de un modelo de aprendizaje automático (ML), a medida que los clientes iteran sobre el problema, crean múltiples versiones del modelo y necesitan operacionalizar y gobernar múltiples versiones del modelo. Por lo tanto, necesitan la capacidad de asociar una tarjeta de modelo a una versión de modelo en particular.
En esta publicación, analizamos una nueva característica que admite la integración de tarjetas modelo con el registro modelo en el nivel de versión del modelo implementado. Analizamos la arquitectura de la solución y las mejores prácticas para administrar las versiones de la tarjeta modelo, y explicamos cómo configurar, poner en funcionamiento y controlar la integración de la tarjeta modelo con la versión del modelo en el registro del modelo.
Resumen de la solución
Las tarjetas de modelos de SageMaker lo ayudan a estandarizar la documentación de sus modelos desde una perspectiva de gobierno, y el registro de modelos de SageMaker lo ayuda a implementar y hacer operativos los modelos de aprendizaje automático. El registro de modelos admite una estructura jerárquica para organizar y almacenar modelos de ML con información de metadatos de modelos.
Cuando una organización resuelve un problema comercial utilizando ML, como una predicción de abandono de clientes, recomendamos los siguientes pasos:
- Cree una tarjeta modelo para el problema empresarial a resolver.
- Cree un grupo de paquetes modelo para resolver el problema empresarial.
- Cree, entrene, evalúe y registre la primera versión de la versión del paquete del modelo (por ejemplo, Customer Churn V1).
- Actualice la tarjeta del modelo que vincula la versión del paquete del modelo con la tarjeta del modelo.
- A medida que itera en la nueva versión del paquete del modelo, clone la tarjeta del modelo de la versión anterior y vincúlela a la nueva versión del paquete del modelo (por ejemplo, Customer Churn V2).
La siguiente figura ilustra cómo se integra una tarjeta de modelo de SageMaker con el registro de modelo.
Como se ilustra en el diagrama anterior, la integración de las tarjetas de modelo de SageMaker y el registro de modelo le permite asociar una tarjeta de modelo con una versión de modelo específica en el registro de modelo. Esto le permite establecer una única fuente de información para las versiones de su modelo registrado, con documentación completa y estandarizada en todas las etapas del recorrido del modelo en SageMaker, lo que facilita la detección y promueve la gobernanza, el cumplimiento y la responsabilidad a lo largo del ciclo de vida del modelo.
Prácticas recomendadas para administrar tarjetas modelo
Operar en aprendizaje automático con gobernanza es un requisito fundamental para muchas organizaciones empresariales en la actualidad, especialmente en industrias altamente reguladas. Como parte de esos requisitos, AWS proporciona varios servicios que permiten un funcionamiento confiable del entorno de ML.
Las tarjetas modelo de SageMaker documentan detalles críticos sobre sus modelos de ML en un solo lugar para simplificar el gobierno y la generación de informes. Las tarjetas modelo lo ayudan a capturar detalles como el uso previsto y la calificación de riesgo de un modelo, detalles y métricas de capacitación, resultados y observaciones de evaluación, y llamadas adicionales como consideraciones, recomendaciones e información personalizada.
Las tarjetas modelo deben administrarse y actualizarse como parte de su proceso de desarrollo, a lo largo del ciclo de vida de aprendizaje automático. Son una parte importante de la entrega continua y las canalizaciones en ML. De la misma manera que un proyecto de ML con buena arquitectura implementa la integración continua y la entrega continua (CI/CD) bajo el paraguas de MLOps, un proceso de documentación de ML continuo es una capacidad crítica en muchas industrias reguladas o para casos de uso de mayor riesgo. Las tarjetas modelo son parte de las mejores prácticas para el desarrollo de ML responsable y transparente.
El siguiente diagrama muestra cómo las tarjetas modelo deben ser parte de un ciclo de vida de desarrollo.
Considere las siguientes mejores prácticas:
- Recomendamos crear tarjetas modelo al principio del ciclo de vida de su proyecto. En la primera fase del proyecto, cuando estás trabajando en identificando el objetivo comercial y enmarcando el problema de ML, debe iniciar la creación de la tarjeta modelo. A medida que avanza en los diferentes pasos de los requisitos comerciales y las métricas de rendimiento importantes, puede crear la tarjeta modelo en un estado de borrador y determinar los detalles comerciales y los usos previstos.
- Como parte de tu fase del ciclo de vida del desarrollo del modelo, debe usar el registro de modelos para catalogar modelos para producción, administrar versiones de modelos y asociar metadatos con un modelo. El registro modelo permite el seguimiento de linaje.
- Una vez que haya iterado con éxito y esté listo para implementar su modelo en producción, es hora de actualizar la tarjeta del modelo. En el fase del ciclo de vida de implementación, puede actualizar los detalles del modelo de la tarjeta modelo. También debe actualizar los detalles de la capacitación, los detalles de la evaluación, las consideraciones éticas y las advertencias y recomendaciones.
Las tarjetas modelo tienen versiones asociadas a ellas. Una versión de modelo determinada es inmutable en todos los atributos, excepto en el estado de la tarjeta de modelo. Si realiza otros cambios en la tarjeta modelo, como métricas de evaluación, descripción o usos previstos, SageMaker crea una nueva versión de la tarjeta modelo para reflejar la información actualizada. Esto es para garantizar que una tarjeta modelo, una vez creada, no pueda ser manipulada. Además, cada nombre de modelo único puede tener solo una tarjeta de modelo asociada y no se puede cambiar después de crear la tarjeta de modelo.
Los modelos ML son dinámicos y los componentes de automatización del flujo de trabajo le permiten escalar fácilmente su capacidad para crear, entrenar, probar e implementar cientos de modelos en producción, iterar más rápido, reducir los errores debido a la orquestación manual y crear mecanismos repetibles.
Por lo tanto, el ciclo de vida de sus tarjetas modelo se verá como se describe en el siguiente diagrama. Cada vez que actualiza su tarjeta modelo a través del ciclo de vida del modelo, crea automáticamente una nueva versión de la tarjeta modelo. Cada vez que itera en una nueva versión del modelo, crea una nueva tarjeta modelo que puede heredar parte de la información de la tarjeta modelo de las versiones anteriores del modelo y seguir el mismo ciclo de vida.
Pre-requisitos
Esta publicación asume que ya tiene modelos en su registro de modelos. Si desea continuar, puede usar el siguiente ejemplo de SageMaker en GitHub para completar el registro de su modelo: Integración de SageMaker Pipelines con Model Monitor y Clarify.
Integrar una ficha de modelo con la versión del modelo en el registro de modelos
En este ejemplo, tenemos el model-monitor-clarify-group
paquete en nuestro registro modelo.
En este paquete, hay dos versiones de modelo disponibles.
Para este ejemplo, vinculamos la Versión 1 del modelo a una nueva tarjeta de modelo. En el registro del modelo, puede ver los detalles de la Versión 1.
Ahora podemos usar la nueva función en SageMaker Python SDK. Desde el sagemaker.model_card ModelPackage
módulo, puede seleccionar una versión de modelo específica del registro de modelo al que le gustaría vincular la tarjeta de modelo.
Ahora puede crear una nueva tarjeta de modelo para la versión del modelo y especificar la model_package_details
parámetro con el paquete de modelo anterior recuperado. Debe completar la tarjeta modelo con todos los detalles adicionales necesarios. Para esta publicación, creamos una tarjeta modelo simple como ejemplo.
A continuación, puede utilizar esa definición para crear una tarjeta modelo con el SDK de Python de SageMaker.
Al volver a cargar la tarjeta del modelo, puede ver el modelo asociado en "__model_package_details"
.
También tiene la opción de actualizar una tarjeta modelo existente con el model_package
como se muestra en el fragmento de código de ejemplo a continuación:
Finalmente, al crear o actualizar una nueva versión de paquete de modelo en un paquete de modelo existente, si ya existe una tarjeta de modelo en ese grupo de paquetes de modelo, cierta información como los detalles comerciales y los usos previstos se pueden transferir a la nueva tarjeta de modelo.
Limpiar
Los usuarios son responsables de limpiar los recursos si se crean utilizando el cuaderno mencionado en la sección de requisitos previos. Siga las instrucciones del cuaderno para limpiar los recursos.
Conclusión
En esta publicación, analizamos cómo integrar una tarjeta de modelo de SageMaker con una versión de modelo en el registro de modelo. Compartimos la arquitectura de la solución con las mejores prácticas para implementar una tarjeta modelo y mostramos cómo configurar y poner en funcionamiento una tarjeta modelo para mejorar su postura de gobierno modelo. Lo alentamos a que pruebe esta solución y comparta sus comentarios en la sección de comentarios.
Acerca de los autores
carnero vital es Arquitecto Principal de Soluciones de ML en AWS. Tiene más de 20 años de experiencia en la arquitectura y creación de aplicaciones distribuidas, híbridas y en la nube. Le apasiona crear soluciones seguras y escalables de AI/ML y big data para ayudar a los clientes empresariales con su proceso de optimización y adopción de la nube para mejorar sus resultados comerciales. En su tiempo libre, monta su motocicleta y camina con su ovejita de 2 años.
Fuerte Natacha es el líder de ciencia de datos del gobierno para el sector público de Australia y Nueva Zelanda, SA principal en AWS. Ella ayuda a las organizaciones a navegar su viaje de aprendizaje automático, apoyándolas desde enmarcar el problema de aprendizaje automático hasta implementarlo en producción, mientras se asegura de que se implementen las mejores prácticas de arquitectura para garantizar su éxito. Natacha se enfoca con organizaciones en MLOps e IA responsable.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Automoción / vehículos eléctricos, Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- Desplazamientos de bloque. Modernización de la propiedad de compensaciones ambientales. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/integrate-amazon-sagemaker-model-cards-with-the-model-registry/
- :posee
- :es
- $ UP
- 1
- 100
- 20
- 20 años
- 7
- 8
- a
- capacidad
- Nuestra Empresa
- seguimiento semanal
- el logro de
- a través de
- Adicionales
- Adicionalmente
- Adopción
- Después
- de nuevo
- AI
- AI / ML
- Todos
- permite
- a lo largo de
- ya haya utilizado
- también
- Amazon
- Amazon SageMaker
- Amazon Web Services
- an
- y
- cualquier
- aplicaciones
- arquitectura
- somos
- AS
- Consejos
- asociado
- asume
- At
- atributos
- auditoría
- Australia
- automáticamente
- Automatización
- Hoy Disponibles
- AWS
- BE
- a continuación
- MEJOR
- y las mejores prácticas
- Big
- Big Data
- build
- Construir la
- PUEDEN
- capacidad
- capturar
- tarjeta
- Tarjetas
- llevado a
- cases
- catalogar
- cambiado
- Cambios
- Limpieza
- Soluciones
- adopción en la nube
- código
- comentarios
- compliance
- componentes
- exhaustivo
- consideraciones
- continuo
- Para crear
- creado
- crea
- Creamos
- creación
- crítico
- personalizado
- cliente
- Clientes
- datos
- Ciencia de los datos
- definición
- entrega
- desplegar
- desplegado
- Desplegando
- descrito
- descripción
- diseño
- detalles
- Determinar
- Desarrollo
- una experiencia diferente
- discutir
- discutido
- distribuidos
- documento
- documentación
- borrador
- dos
- lugar de trabajo dinámico
- cada una
- Temprano en la
- pasan fácilmente
- habilitar
- permite
- fomentar
- garantizar
- Empresa
- Entorno
- Errores
- establecer
- ético
- evaluar
- evaluación
- Cada
- ejemplo
- existente
- existe
- experience
- facilitando
- más rápida
- Feature
- realimentación
- Figura
- Nombre
- se centra
- seguir
- siguiendo
- Desde
- GitHub
- dado
- gobierno
- Gobierno
- Grupo procesos
- Tienen
- he
- ayuda
- ayuda
- más alto
- altamente
- su
- Cómo
- Como Hacer
- Sin embargo
- HTML
- HTTPS
- Cientos
- Híbrido
- if
- ilustra
- inmutable
- implementación
- implementos
- importante
- mejorar
- in
- industrias
- información
- iniciar
- Instrucciones
- integrar
- Integra
- Integración
- integración
- Destinado a
- dentro
- IT
- jpg
- Lead
- aprendizaje
- Nivel
- ciclo de vida
- como
- linaje
- LINK
- enlace
- carga
- Mira
- Lote
- máquina
- máquina de aprendizaje
- para lograr
- Realizar
- gestionan
- gestionado
- administrar
- manual
- muchos
- Match
- los mecanismos de
- mencionado
- metadatos
- Métrica
- ML
- MLOps
- modelo
- modelos
- Módulo
- Monitorear
- motocicleta
- múltiples
- nombre
- Navegar
- necesario
- ¿ Necesita ayuda
- Nuevo
- Nueva Zelanda
- notablemente
- cuaderno
- ahora
- of
- on
- una vez
- ONE
- , solamente
- Inteligente
- optimización
- Optión
- or
- orquestación
- organización
- para las fiestas.
- la organización de
- Otro
- nuestros
- salir
- resultados
- Más de
- paquete
- parámetro
- parte
- particular
- apasionado
- actuación
- la perspectiva
- fase
- Colocar
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- Por favor
- Publicación
- prácticas
- predicción
- anterior
- Director de la escuela
- Problema
- Producción
- proyecto
- Promoción
- proporcionar
- proporciona un
- público
- fines
- Python
- RAM
- .
- ready
- recomiendan
- recomendaciones
- reducir
- reflejar
- registrarte
- registrado
- registro
- regulados
- industrias reguladas
- confianza
- repetible
- Informes
- requisito
- Requisitos
- Recursos
- responsable
- Resultados
- Riesgo
- SA
- sabio
- mismo
- escalable
- Escala
- Ciencia:
- Sdk
- Sección
- sector
- seguro
- ver
- Servicios
- set
- Varios
- Compartir
- compartido
- ella
- tienes
- mostró
- mostrado
- Shows
- sencillos
- soltero
- retazo
- a medida
- Soluciones
- Resuelve
- Resolver
- algo
- Fuente
- soluciones y
- etapas
- Estado
- pasos
- almacenamiento
- racionalizado
- estructura
- comercial
- Con éxito
- tal
- Apoyar
- soportes
- seguro
- Técnico
- test
- que
- esa
- La
- su
- Les
- luego
- de este modo
- por lo tanto
- ellos
- así
- aquellos
- A través de esta formación, el personal docente y administrativo de escuelas y universidades estará preparado para manejar los recursos disponibles que derivan de la diversidad cultural de sus estudiantes. Además, un mejor y mayor entendimiento sobre estas diferencias y similitudes culturales permitirá alcanzar los objetivos de inclusión previstos.
- a lo largo de
- equipo
- a
- hoy
- Seguimiento
- Entrenar
- Formación
- transparente
- verdad
- try
- dos
- paraguas
- bajo
- único
- Actualizar
- actualizado
- actualización
- utilizan el
- usado
- usos
- usando
- v1
- versión
- versiones
- la visibilidad
- quieres
- Camino..
- we
- web
- servicios web
- tuvieron
- cuando
- mientras
- seguirá
- Actividades:
- flujo de trabajo
- trabajando
- se
- años
- Usted
- tú
- Zelanda
- zephyrnet