Penjelasan online dengan Clarify SageMaker - Amazon SageMaker
Cara Kerjanya

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Penjelasan online dengan Clarify SageMaker

Panduan ini menunjukkan cara mengonfigurasi penjelasan online dengan SageMaker Clarify. Dengan titik akhir inferensi SageMaker waktu nyata, Anda dapat menganalisis penjelasan secara real time, terus menerus. Fungsi penjelasan online cocok dengan bagian Deploy to production dari alur kerja Amazon SageMaker Machine Learning.

Bagaimana Klarifikasi Penjelasan Online Bekerja

Grafik berikut menggambarkan SageMaker arsitektur untuk hosting endpoint yang melayani permintaan penjelasan. Ini menggambarkan interaksi antara titik akhir, wadah model, dan SageMaker penjelasan Clarify.

SageMaker arsitektur yang menunjukkan hosting titik akhir yang melayani permintaan penjelasan sesuai permintaan.

Inilah cara kerja Clarify online explainability. Aplikasi mengirimkan InvokeEndpoint permintaan REST -style ke SageMaker Runtime Service. Layanan merutekan permintaan ini ke SageMaker titik akhir untuk mendapatkan prediksi dan penjelasan. Kemudian, layanan menerima respons dari titik akhir. Terakhir, layanan mengirimkan respons kembali ke aplikasi.

Untuk meningkatkan ketersediaan titik akhir, SageMaker secara otomatis mencoba mendistribusikan instance endpoint di beberapa Availability Zone, sesuai dengan jumlah instance dalam konfigurasi endpoint. Pada instance titik akhir, atas permintaan penjelasan baru, penjelasan SageMaker Clarify memanggil wadah model untuk prediksi. Kemudian menghitung dan mengembalikan atribusi fitur.

Berikut adalah empat langkah untuk membuat endpoint yang menggunakan SageMaker Clarify online explainability:

  1. Periksa apakah SageMaker model pra-pelatihan Anda kompatibel dengan penjelasan online dengan mengikuti langkah-langkah pra-pemeriksaan.

  2. Buat konfigurasi endpoint dengan konfigurasi SageMaker Clarify explainer menggunakan. CreateEndpointConfig API

  3. Buat titik akhir dan berikan konfigurasi titik akhir untuk SageMaker menggunakan. CreateEndpoint API Layanan meluncurkan instance komputasi ML dan menerapkan model seperti yang ditentukan dalam konfigurasi.

  4. Memanggil titik akhir: Setelah titik akhir dalam layanan, panggil SageMaker Runtime API InvokeEndpoint untuk mengirim permintaan ke titik akhir. Titik akhir kemudian mengembalikan penjelasan dan prediksi.