ปรับปรุงการกำกับดูแลโมเดลแมชชีนเลิร์นนิงของคุณด้วย Amazon SageMaker

เนื่องจากบริษัทต่าง ๆ หันมาใช้แมชชีนเลิร์นนิง (ML) มากขึ้นสำหรับแอปพลิเคชันระดับองค์กรหลัก การตัดสินใจทางธุรกิจของพวกเขาจึงได้รับอิทธิพลจากโมเดล ML มากขึ้น ด้วยเหตุนี้ การควบคุมการเข้าถึงที่ง่ายขึ้นและเพิ่มความโปร่งใสในโมเดล ML ทั้งหมดของคุณทำให้ง่ายต่อการตรวจสอบว่าโมเดลของคุณทำงานได้ดีและดำเนินการเมื่อไม่ได้เป็นเช่นนั้น

ในโพสต์นี้ เราจะสำรวจว่าบริษัทต่างๆ สามารถปรับปรุงการเปิดเผยโมเดลของตนด้วยแดชบอร์ดแบบรวมศูนย์และเอกสารประกอบโดยละเอียดของโมเดลได้อย่างไร โดยใช้คุณสมบัติใหม่สองอย่าง ได้แก่ SageMaker Model Cards และ SageMaker Model Dashboard คุณลักษณะทั้งสองนี้มีให้ใช้งานโดยไม่มีค่าใช้จ่ายเพิ่มเติมสำหรับลูกค้า SageMaker

ภาพรวมของการกำกับดูแลแบบจำลอง

การกำกับดูแลแบบจำลองเป็นกรอบการทำงานที่ให้การมองเห็นอย่างเป็นระบบในการพัฒนาแบบจำลอง การตรวจสอบความถูกต้อง และการใช้งาน การกำกับดูแลโมเดลสามารถใช้ได้กับเวิร์กโฟลว์ ML แบบครบวงจร เริ่มต้นจากการระบุกรณีการใช้งาน ML ไปจนถึงการตรวจสอบอย่างต่อเนื่องของโมเดลที่ปรับใช้ผ่านการแจ้งเตือน รายงาน และแดชบอร์ด เฟรมเวิร์กการกำกับดูแลโมเดลที่ได้รับการดำเนินการอย่างดีควรลดจำนวนอินเทอร์เฟซที่จำเป็นในการดู ติดตาม และจัดการงานวงจรชีวิตเพื่อให้ง่ายต่อการตรวจสอบวงจรชีวิตของ ML ในวงกว้าง

ทุกวันนี้ องค์กรต่าง ๆ ลงทุนความเชี่ยวชาญด้านเทคนิคที่สำคัญในการสร้างเครื่องมือเพื่อทำให้ขั้นตอนการทำงานด้านการกำกับดูแลและการตรวจสอบส่วนใหญ่เป็นแบบอัตโนมัติ ตัวอย่างเช่น ผู้สร้างแบบจำลองจำเป็นต้องบันทึกข้อกำหนดเฉพาะของแบบจำลองเชิงรุก เช่น การใช้งานตามวัตถุประสงค์สำหรับแบบจำลอง การจัดอันดับความเสี่ยง และเกณฑ์ประสิทธิภาพที่แบบจำลองควรวัดเทียบกับ นอกจากนี้ พวกเขายังต้องบันทึกการสังเกตเกี่ยวกับพฤติกรรมของโมเดล และจัดทำเอกสารเหตุผลที่พวกเขาทำการตัดสินใจที่สำคัญบางอย่าง เช่น ฟังก์ชันวัตถุประสงค์ที่พวกเขาปรับโมเดลให้เหมาะสม

เป็นเรื่องปกติที่บริษัทจะใช้เครื่องมืออย่างเช่น Excel หรืออีเมลเพื่อบันทึกและแชร์ข้อมูลโมเดลดังกล่าวเพื่อใช้ในการอนุมัติการใช้งานจริง แต่เมื่อขนาดของการพัฒนา ML เพิ่มขึ้น ข้อมูลอาจสูญหายหรือถูกใส่ผิดตำแหน่งได้ง่าย และการติดตามรายละเอียดเหล่านี้จะเป็นไปไม่ได้อย่างรวดเร็ว นอกจากนี้ หลังจากปรับใช้โมเดลเหล่านี้แล้ว คุณอาจรวมข้อมูลจากแหล่งต่างๆ เข้าด้วยกันเพื่อให้มองเห็นได้ตั้งแต่ต้นทางถึงปลายทางในโมเดลทั้งหมดของคุณ จุดสิ้นสุด ประวัติการตรวจสอบ และเชื้อสาย หากไม่มีมุมมองดังกล่าว คุณจะสูญเสียการติดตามโมเดลของคุณไปได้ง่ายๆ และอาจไม่ทราบว่าเมื่อใดที่คุณต้องดำเนินการกับโมเดลเหล่านั้น ปัญหานี้ทวีความรุนแรงมากขึ้นในอุตสาหกรรมที่มีการควบคุมอย่างเข้มงวด เนื่องจากคุณอยู่ภายใต้ข้อบังคับที่กำหนดให้คุณต้องปฏิบัติตามมาตรการดังกล่าว

เมื่อโมเดลเริ่มมีปริมาณมากขึ้น การจัดการเครื่องมือแบบกำหนดเองอาจกลายเป็นความท้าทาย และทำให้องค์กรมีเวลาน้อยลงในการมุ่งเน้นไปที่ความต้องการทางธุรกิจหลัก ในส่วนต่อไปนี้ เราจะสำรวจว่าการ์ดโมเดลของ SageMaker และแดชบอร์ดโมเดลของ SageMaker สามารถช่วยคุณปรับขนาดความพยายามในการกำกับดูแลของคุณได้อย่างไร

การ์ดโมเดล SageMaker

การ์ดโมเดลช่วยให้คุณสร้างมาตรฐานวิธีการจัดทำเอกสารโมเดล ซึ่งจะทำให้มองเห็นวงจรชีวิตของโมเดล ตั้งแต่การออกแบบ การสร้าง การฝึกอบรม และการประเมิน การ์ดโมเดลมีวัตถุประสงค์เพื่อเป็นแหล่งความจริงแหล่งเดียวสำหรับข้อมูลเมตาทางธุรกิจและทางเทคนิคเกี่ยวกับโมเดลที่สามารถใช้เพื่อวัตถุประสงค์ในการตรวจสอบและจัดทำเอกสารได้อย่างน่าเชื่อถือ พวกเขาจัดทำเอกสารข้อเท็จจริงของแบบจำลองที่มีความสำคัญต่อการกำกับดูแลแบบจำลอง

การ์ดโมเดลช่วยให้ผู้ใช้สามารถเขียนและจัดเก็บการตัดสินใจ เช่น เหตุใดจึงเลือกฟังก์ชันวัตถุประสงค์เพื่อเพิ่มประสิทธิภาพ และรายละเอียดต่างๆ เช่น การใช้งานตามวัตถุประสงค์และระดับความเสี่ยง คุณยังสามารถแนบและตรวจสอบผลการประเมิน และจดข้อสังเกตเพื่อใช้อ้างอิงในอนาคต

สำหรับโมเดลที่ได้รับการฝึกฝนบน SageMaker การ์ดโมเดลสามารถค้นพบและเติมรายละเอียดโดยอัตโนมัติ เช่น งานฝึกอบรม ชุดข้อมูลการฝึกอบรม สิ่งประดิษฐ์ของโมเดล และสภาพแวดล้อมการอนุมาน ซึ่งจะช่วยเร่งกระบวนการสร้างการ์ด ด้วย SageMaker Python SDK คุณสามารถอัปเดตการ์ดโมเดลได้อย่างราบรื่นด้วยเมตริกการประเมิน

การ์ดโมเดลช่วยให้ผู้จัดการความเสี่ยงของโมเดล นักวิทยาศาสตร์ข้อมูล และวิศวกร ML สามารถทำงานต่อไปนี้ได้:

• ข้อกำหนดเกี่ยวกับรูปแบบเอกสาร เช่น ระดับความเสี่ยง การใช้งานตามวัตถุประสงค์ ข้อจำกัด และประสิทธิภาพที่คาดหวัง
• เติมการ์ดโมเดลอัตโนมัติสำหรับโมเดลที่ผ่านการฝึกอบรมของ SageMaker
• นำข้อมูลของคุณเอง (BYOI) สำหรับรุ่นที่ไม่ใช่ SageMaker
• อัปโหลดและแบ่งปันผลการประเมินแบบจำลองและข้อมูล
• กำหนดและจับข้อมูลที่กำหนดเอง
• สถานะการ์ดรุ่น Capture (แบบร่าง รอการตรวจสอบ หรือได้รับการอนุมัติสำหรับการผลิต)
• เข้าถึงฮับการ์ดโมเดลจาก คอนโซลการจัดการ AWS
• สร้าง แก้ไข ดู ส่งออก โคลน และลบการ์ดโมเดล
• ทริกเกอร์เวิร์กโฟลว์โดยใช้ อเมซอน EventBridge การรวมสำหรับเหตุการณ์การเปลี่ยนแปลงสถานะการ์ดรุ่น

สร้างการ์ดโมเดล SageMaker โดยใช้คอนโซล

คุณสามารถสร้างการ์ดโมเดลได้อย่างง่ายดายโดยใช้คอนโซล SageMaker ที่นี่ คุณสามารถดูการ์ดโมเดลที่มีอยู่ทั้งหมดและสร้างการ์ดใหม่ได้ตามต้องการ

เมื่อสร้างการ์ดแบบจำลอง คุณสามารถจัดทำเอกสารข้อมูลแบบจำลองที่สำคัญ เช่น ใครเป็นผู้สร้างแบบจำลอง เหตุใดจึงมีการพัฒนาแบบจำลอง ประสิทธิภาพของแบบจำลองสำหรับการประเมินโดยอิสระ และการสังเกตใด ๆ ที่ต้องพิจารณาก่อนใช้แบบจำลองสำหรับแอปพลิเคชันทางธุรกิจ

หากต้องการสร้างการ์ดโมเดลบนคอนโซล ให้ทำตามขั้นตอนต่อไปนี้:

1. ป้อนรายละเอียดภาพรวมของโมเดล
2. ป้อนรายละเอียดการฝึกอบรม (ป้อนอัตโนมัติหากโมเดลได้รับการฝึกฝนบน SageMaker)
3. อัปโหลดผลการประเมิน
4. เพิ่มรายละเอียดเพิ่มเติม เช่น คำแนะนำและการพิจารณาด้านจริยธรรม

หลังจากที่คุณสร้างการ์ดรุ่นแล้ว คุณสามารถเลือกเวอร์ชันเพื่อดูได้

ภาพหน้าจอต่อไปนี้แสดงรายละเอียดของการ์ดรุ่นของเรา

คุณยังสามารถส่งออกการ์ดโมเดลเพื่อแชร์เป็น PDF

สร้างและสำรวจ SageMaker Model Cards ผ่าน SageMaker Python SDK

การโต้ตอบกับการ์ดรุ่นไม่ได้จำกัดเฉพาะคอนโซลเท่านั้น คุณยังสามารถใช้ SageMaker Python SDK เพื่อสร้างและสำรวจการ์ดโมเดล SageMaker Python SDK ช่วยให้นักวิทยาศาสตร์ข้อมูลและวิศวกร ML สามารถโต้ตอบกับส่วนประกอบของ SageMaker ได้อย่างง่ายดาย ข้อมูลโค้ดต่อไปนี้แสดงกระบวนการสร้างการ์ดโมเดลโดยใช้ฟังก์ชัน SageMaker Python SDK ที่เพิ่มเข้ามาใหม่

ตรวจสอบให้แน่ใจว่าคุณติดตั้ง SageMaker Python SDK เวอร์ชันล่าสุดแล้ว:

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

เมื่อคุณฝึกฝนและปรับใช้โมเดลโดยใช้ SageMaker แล้ว คุณสามารถใช้ข้อมูลจากโมเดล SageMaker และงานฝึกอบรมเพื่อเติมข้อมูลลงในการ์ดโมเดลโดยอัตโนมัติ

เมื่อใช้ SageMaker Python SDK และส่งผ่านชื่อรุ่นของ SageMaker เราสามารถรวบรวมข้อมูลรุ่นพื้นฐานได้โดยอัตโนมัติ ข้อมูล เช่น โมเดล ARN ของ SageMaker สภาพแวดล้อมการฝึกอบรม และผลลัพธ์ของโมเดล บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon ตำแหน่ง (Amazon S3) จะถูกเติมโดยอัตโนมัติ เราสามารถเพิ่มข้อมูลโมเดลอื่นๆ เช่น คำอธิบาย ประเภทปัญหา ประเภทอัลกอริทึม ผู้สร้างโมเดล และเจ้าของ ดูรหัสต่อไปนี้:

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

นอกจากนี้ เรายังสามารถรวบรวมข้อมูลการฝึกอบรมพื้นฐาน เช่น ARN งานฝึกอบรม สภาพแวดล้อมการฝึกอบรม และเมตริกการฝึกอบรมได้โดยอัตโนมัติ สามารถเพิ่มรายละเอียดการฝึกอบรมเพิ่มเติมได้ เช่น ฟังก์ชันวัตถุประสงค์การฝึกอบรมและการสังเกต ดูรหัสต่อไปนี้:

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

หากเรามีเมตริกการประเมิน เราก็สามารถเพิ่มสิ่งเหล่านั้นลงในการ์ดโมเดลได้เช่นกัน:

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],
    )
]

นอกจากนี้ เรายังสามารถเพิ่มข้อมูลเพิ่มเติมเกี่ยวกับโมเดลที่สามารถช่วยในการกำกับดูแลโมเดล:

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"},
)

หลังจากที่เราได้ให้รายละเอียดทั้งหมดที่เราต้องการแล้ว เราสามารถสร้างการ์ดรุ่นโดยใช้การกำหนดค่าก่อนหน้านี้:

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 ยังให้ความสามารถในการอัปเดต โหลด แสดงรายการ ส่งออก และลบการ์ดรุ่น

หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการ์ดโมเดล โปรดดูที่ คู่มือนักพัฒนา และปฏิบัติตาม นี้ ตัวอย่างสมุดบันทึกเพื่อเริ่มต้นใช้งาน

แดชบอร์ดโมเดล SageMaker

แดชบอร์ดโมเดลเป็นที่เก็บข้อมูลส่วนกลางของโมเดลทั้งหมดที่สร้างขึ้นในบัญชี แบบจำลองมักจะสร้างขึ้นโดยการฝึกอบรมบน SageMaker หรือคุณสามารถนำแบบจำลองของคุณที่ได้รับการฝึกอบรมมาจากที่อื่นเพื่อโฮสต์บน SageMaker

แดชบอร์ดโมเดลมีอินเทอร์เฟซเดียวสำหรับผู้ดูแลระบบ IT ผู้จัดการความเสี่ยงของโมเดล หรือผู้นำธุรกิจเพื่อดูโมเดลที่ปรับใช้ทั้งหมดและวิธีการทำงานของโมเดลเหล่านั้น คุณสามารถดูจุดสิ้นสุดของคุณ งานการแปลงเป็นชุด และงานการมอนิเตอร์เพื่อรับข้อมูลเชิงลึกเกี่ยวกับประสิทธิภาพของโมเดล องค์กรสามารถเจาะลึกเพื่อระบุว่าโมเดลใดมีมอนิเตอร์ที่ขาดหายไปหรือไม่ได้ใช้งาน และเพิ่มโดยใช้ SageMaker API เพื่อให้แน่ใจว่าโมเดลทั้งหมดได้รับการตรวจสอบสำหรับการเลื่อนของข้อมูล การเลื่อนของโมเดล การเลื่อนอคติ และการระบุแหล่งที่มาของคุณลักษณะ

ภาพหน้าจอต่อไปนี้แสดงตัวอย่างแดชบอร์ดโมเดล

แดชบอร์ดโมเดลจะแสดงภาพรวมของโมเดลทั้งหมดของคุณ ระดับความเสี่ยงของโมเดลเหล่านั้นคืออะไร และโมเดลเหล่านั้นทำงานอย่างไรในการผลิต โดยดึงข้อมูลจากทั่วทั้ง SageMaker ข้อมูลการตรวจสอบประสิทธิภาพจะถูกบันทึกผ่าน การตรวจสอบโมเดล Amazon SageMakerและคุณยังสามารถดูข้อมูลเกี่ยวกับแบบจำลองที่เรียกใช้สำหรับการคาดการณ์แบบกลุ่มผ่านงานการแปลงแบบกลุ่มของ SageMaker ข้อมูลสายเลือด เช่น วิธีฝึกโมเดล ข้อมูลที่ใช้ และอื่นๆ จะถูกบันทึก และดึงข้อมูลจากการ์ดโมเดลด้วย

Model Monitor ตรวจสอบคุณภาพของแบบจำลอง SageMaker ที่ใช้ในการผลิตสำหรับการอนุมานแบบกลุ่มหรือจุดสิ้นสุดตามเวลาจริง คุณสามารถตั้งค่าการตรวจสอบอย่างต่อเนื่องหรือการตรวจสอบตามกำหนดเวลาผ่าน SageMaker API และแก้ไขการตั้งค่าการแจ้งเตือนผ่านแดชบอร์ดแบบจำลอง คุณสามารถตั้งค่าการเตือนที่จะแจ้งให้คุณทราบเมื่อมีความเบี่ยงเบนในคุณภาพของแบบจำลอง การตรวจจับความเบี่ยงเบนเหล่านี้ตั้งแต่เนิ่นๆ และเชิงรุกทำให้คุณสามารถดำเนินการแก้ไขได้ เช่น การฝึกโมเดลใหม่ การตรวจสอบระบบอัพสตรีม หรือแก้ไขปัญหาด้านคุณภาพโดยไม่ต้องตรวจสอบโมเดลด้วยตนเองหรือสร้างเครื่องมือเพิ่มเติม แดชบอร์ดโมเดลช่วยให้คุณเข้าใจอย่างรวดเร็วว่าโมเดลใดได้รับการตรวจสอบและประสิทธิภาพเป็นอย่างไร สำหรับข้อมูลเพิ่มเติมเกี่ยวกับ Model Monitor โปรดไปที่ ตรวจสอบแบบจำลองสำหรับข้อมูลและคุณภาพของแบบจำลอง อคติ และความสามารถในการอธิบาย.

เมื่อคุณเลือกโมเดลในแดชบอร์ดโมเดล คุณจะได้รับข้อมูลเชิงลึกเกี่ยวกับโมเดล เช่น การ์ดโมเดล (หากมี) สายโมเดล รายละเอียดเกี่ยวกับจุดสิ้นสุดที่โมเดลถูกนำไปใช้งาน และกำหนดการมอนิเตอร์สำหรับ แบบอย่าง.

มุมมองนี้ช่วยให้คุณสร้างการ์ดโมเดลได้หากจำเป็น กำหนดการมอนิเตอร์สามารถเปิดใช้งาน ปิดใช้งาน หรือแก้ไขได้เช่นกันผ่านแดชบอร์ดแบบจำลอง

สำหรับโมเดลที่ไม่มีกำหนดการมอนิเตอร์ คุณสามารถตั้งค่านี้ได้โดยเปิดใช้งาน Model Monitor สำหรับตำแหน่งข้อมูลที่มีการปรับใช้โมเดล รายละเอียดการแจ้งเตือนและสถานะ คุณจะได้รับการแจ้งเตือนเกี่ยวกับโมเดลที่แสดงการเลื่อนของข้อมูล การเลื่อนของโมเดล การเลื่อนอคติ หรือการเลื่อนของคุณลักษณะ ขึ้นอยู่กับมอนิเตอร์ที่คุณตั้งค่าไว้

มาดูตัวอย่างเวิร์กโฟลว์ของวิธีตั้งค่าการมอนิเตอร์โมเดล ขั้นตอนสำคัญของกระบวนการนี้คือ:

1. บันทึกข้อมูลที่ส่งไปยังปลายทาง (หรืองานการแปลงเป็นชุด)
2. สร้างบรรทัดฐาน (สำหรับการตรวจสอบแต่ละประเภท)
3. สร้างตารางเวลาการตรวจสอบแบบจำลองเพื่อเปรียบเทียบการคาดการณ์จริงกับพื้นฐานเพื่อรายงานการละเมิดและเรียกใช้การแจ้งเตือน

ตามการแจ้งเตือน คุณสามารถดำเนินการต่างๆ เช่น ย้อนกลับจุดสิ้นสุดไปยังเวอร์ชันก่อนหน้า หรือฝึกโมเดลใหม่ด้วยข้อมูลใหม่ ขณะทำเช่นนี้ อาจจำเป็นต้องติดตามว่าโมเดลได้รับการฝึกฝนอย่างไร ซึ่งสามารถทำได้โดยการแสดงภาพสายเลือดของโมเดล

แดชบอร์ดโมเดลนำเสนอชุดข้อมูลมากมายเกี่ยวกับระบบนิเวศของโมเดลโดยรวมในบัญชี นอกเหนือจากความสามารถในการเจาะลึกรายละเอียดเฉพาะของโมเดล หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับแดชบอร์ดโมเดล โปรดดูที่ คู่มือนักพัฒนา.

สรุป

การกำกับดูแลแบบจำลองนั้นซับซ้อนและมักจะเกี่ยวข้องกับความต้องการที่ปรับแต่งได้มากมายโดยเฉพาะสำหรับองค์กรหรืออุตสาหกรรม ซึ่งอาจขึ้นอยู่กับข้อกำหนดด้านกฎระเบียบที่องค์กรของคุณต้องปฏิบัติตาม ประเภทของบุคคลที่มีอยู่ในองค์กร และประเภทของแบบจำลองที่ใช้ ไม่มีแนวทางใดที่เหมาะกับทุกแนวทางในการกำกับดูแล และสิ่งสำคัญคือต้องมีเครื่องมือที่เหมาะสมเพื่อให้กระบวนการกำกับดูแลที่มีประสิทธิภาพสามารถดำเนินการได้

ด้วยเครื่องมือการกำกับดูแล ML ที่สร้างขึ้นตามวัตถุประสงค์ใน SageMaker องค์กรสามารถใช้กลไกที่เหมาะสมเพื่อปรับปรุงการควบคุมและการมองเห็นโครงการ ML สำหรับกรณีการใช้งานเฉพาะของตน ลองใช้การ์ดโมเดลและแดชบอร์ดโมเดล และแสดงความคิดเห็นของคุณพร้อมคำถามและข้อเสนอแนะ หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการ์ดโมเดลและแดชบอร์ดโมเดล โปรดดูที่ คู่มือนักพัฒนา.

เกี่ยวกับผู้แต่ง

คิริท ธาดากา เป็นสถาปนิก ML Solutions ที่ทำงานในทีม SageMaker Service SA ก่อนร่วมงานกับ AWS คิริทเคยทำงานในสตาร์ทอัพ AI ระยะเริ่มต้น ตามด้วยให้คำปรึกษาในบทบาทต่างๆ ในการวิจัย AI, MLOps และความเป็นผู้นำด้านเทคนิค

มาร์ค คาร์ป เป็นสถาปนิก ML กับทีมบริการ SageMaker เขามุ่งเน้นไปที่การช่วยลูกค้าออกแบบ ปรับใช้ และจัดการปริมาณงาน ML ตามขนาด ในเวลาว่างเขาชอบท่องเที่ยวและสำรวจสถานที่ใหม่ๆ

ราหู ราเมชา เป็นสถาปนิกโซลูชัน ML กับทีมบริการ Amazon SageMaker เขามุ่งเน้นที่การช่วยลูกค้าสร้าง ปรับใช้ และย้ายปริมาณงานการผลิต ML ไปยัง SageMaker ในปริมาณมาก เขาเชี่ยวชาญด้านแมชชีนเลิร์นนิง, AI และโดเมนวิชันซิสเต็ม และสำเร็จการศึกษาระดับปริญญาโทด้านวิทยาการคอมพิวเตอร์จาก UT Dallas ในเวลาว่าง เขาชอบการเดินทางและการถ่ายภาพ

ราม วิตตาล เป็นสถาปนิก ML Specialist Solutions Architect ที่ AWS เขามีประสบการณ์มากกว่า 20 ปีในด้านสถาปัตยกรรมและการสร้างแอปพลิเคชันแบบกระจาย ไฮบริด และคลาวด์ เขาหลงใหลในการสร้างโซลูชัน AI/ML และบิ๊กดาต้าที่ปลอดภัยและปรับขนาดได้ เพื่อช่วยลูกค้าองค์กรในการปรับใช้ระบบคลาวด์และเส้นทางการเพิ่มประสิทธิภาพเพื่อปรับปรุงผลลัพธ์ทางธุรกิจ ในเวลาว่าง เขาชอบเทนนิส การถ่ายภาพ และภาพยนตร์แอคชั่น

ซาฮิลไซนี เป็นสถาปนิกโซลูชัน ISV ที่ Amazon Web Services เขาทำงานร่วมกับทีมผลิตภัณฑ์และวิศวกรรมของลูกค้าเชิงกลยุทธ์ของ AWS เพื่อช่วยพวกเขาเกี่ยวกับโซลูชันเทคโนโลยีโดยใช้บริการของ AWS สำหรับ AI/ML, คอนเทนเนอร์, HPC และ IoT เขาได้ช่วยตั้งค่าแพลตฟอร์ม AI/ML สำหรับลูกค้าองค์กร