Memecahkan Masalah SageMaker Klarifikasi Pekerjaan Pemrosesan - Amazon SageMaker AI
Pekerjaan pemrosesan gagal diselesaikanMemproses pekerjaan terlalu lama untuk dijalankanMemproses pekerjaan selesai tanpa hasil dan Anda mendapatkan pesan CloudWatch peringatanPesan galat untuk konfigurasi analisis yang tidak validPerhitungan metrik bias gagal untuk beberapa atau semua metrikKetidakcocokan antara konfigurasi analisis dan dataset/model input/outputModel mengembalikan 500 Internal Server Error atau kontainer jatuh kembali ke prediksi per-record karena kesalahan modelPeran eksekusi tidak validGagal mengunduh dataTidak dapat terhubung ke SageMaker AI

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

Memecahkan Masalah SageMaker Klarifikasi Pekerjaan Pemrosesan

Jika Anda mengalami kegagalan dengan SageMaker pekerjaan pemrosesan Clarify, lihat skenario berikut untuk membantu mengidentifikasi masalah.

catatan

Alasan kegagalan dan pesan keluar dimaksudkan untuk berisi pesan deskriptif dan pengecualian, jika ditemui, selama dijalankan. Alasan umum untuk kesalahan adalah bahwa parameter hilang atau tidak valid. Jika Anda menemukan pesan yang tidak jelas, membingungkan, atau menyesatkan atau tidak dapat menemukan solusi, kirimkan umpan balik.

Pekerjaan pemrosesan gagal diselesaikan

Jika pekerjaan pemrosesan gagal selesai, Anda dapat mencoba yang berikut:

  • Periksa log pekerjaan langsung di buku catatan tempat Anda menjalankan pekerjaan. Log pekerjaan terletak di output sel notebook tempat Anda memulai proses.

  • Periksa log pekerjaan di CloudWatch.

  • Tambahkan baris berikut di buku catatan Anda untuk menjelaskan pekerjaan pemrosesan terakhir dan cari alasan kegagalan dan pesan keluar:

    • clarify_processor.jobs[-1].describe()

  • Jalankan perintah berikut AWS CLI; untuk menggambarkan pekerjaan pemrosesan dan mencari alasan kegagalan dan pesan keluar:

    • aws sagemaker describe-processing-job —processing-job-name <processing-job-id>

Memproses pekerjaan terlalu lama untuk dijalankan

Jika pekerjaan pemrosesan Anda terlalu lama untuk dijalankan, gunakan cara-cara berikut untuk menemukan akar masalahnya.

Periksa untuk melihat apakah konfigurasi sumber daya Anda cukup untuk menangani beban komputasi Anda. Untuk mempercepat pekerjaan Anda, coba yang berikut ini:

  • Gunakan tipe instance yang lebih besar. SageMaker Klarifikasi kueri model berulang kali, dan instance yang lebih besar dapat secara signifikan mengurangi waktu komputasi Anda. Untuk daftar instans yang tersedia, ukuran memori, bandwidth, dan detail kinerja lainnya, lihat Harga Amazon SageMaker AI.

  • Tambahkan lebih banyak contoh. SageMaker Clarify dapat menggunakan beberapa instance untuk menjelaskan beberapa titik data input secara paralel. Untuk mengaktifkan komputasi paralel, atur instance_count ke lebih dari 1 saat Anda meneleponSageMakerClarifyProcessor. Untuk informasi selengkapnya, lihat Cara menjalankan pekerjaan pemrosesan SageMaker Clarify paralel. Jika Anda meningkatkan jumlah instans, pantau kinerja titik akhir Anda untuk memastikan bahwa instans dapat menerapkan peningkatan beban. Untuk informasi selengkapnya, lihat Menangkap data dari titik akhir waktu nyata.

  • Jika Anda komputasi SHapley Additive exPlanations (SHAP) nilai, kurangi num_samples parameter dalam file konfigurasi analisis Anda. Jumlah sampel secara langsung mempengaruhi hal-hal berikut:

    • Ukuran kumpulan data sintetis yang dikirim ke titik akhir Anda

    • Waktu aktif tugas

    Mengurangi jumlah sampel juga dapat menyebabkan berkurangnya akurasi dalam memperkirakan SHAP nilai. Untuk informasi selengkapnya, lihat File Konfigurasi Analisis.

Memproses pekerjaan selesai tanpa hasil dan Anda mendapatkan pesan CloudWatch peringatan

Jika pekerjaan pemrosesan selesai tetapi tidak ada hasil yang ditemukan, CloudWatch log menghasilkan pesan peringatan yang mengatakan Signal 15 diterima, dibersihkan. Peringatan ini menunjukkan bahwa pekerjaan dihentikan baik karena permintaan pelanggan disebut StopProcessingJob API, atau bahwa pekerjaan kehabisan waktu yang ditentukan untuk penyelesaiannya. Dalam kasus terakhir, periksa runtime maksimum dalam konfigurasi pekerjaan (max_runtime_in_seconds) dan tingkatkan sesuai kebutuhan.

Pesan galat untuk konfigurasi analisis yang tidak valid

  • Jika Anda mendapatkan pesan kesalahan Tidak dapat memuat konfigurasi analisis sebagai JSON. , ini berarti bahwa file input konfigurasi analisis untuk pekerjaan pemrosesan tidak berisi objek JSON yang valid. Periksa validitas objek JSON menggunakan linter JSON.

  • Jika Anda mendapatkan pesan kesalahan Kesalahan validasi skema konfigurasi analisis. , ini berarti bahwa file input konfigurasi analisis untuk pekerjaan pemrosesan berisi bidang yang tidak dikenal atau tipe yang tidak valid untuk beberapa nilai bidang. Tinjau parameter konfigurasi dalam file dan periksa silang dengan parameter yang tercantum dalam file konfigurasi analisis. Untuk informasi selengkapnya, lihat File Konfigurasi Analisis.

Perhitungan metrik bias gagal untuk beberapa atau semua metrik

Jika Anda menerima salah satu pesan galat berikut Tidak ada nilai Label yang ada di Kolom Label yang diprediksi, Seri Indeks Prediksi Positif berisi semua nilai Salah. atau Tipe data seri Kolom Label yang Diprediksi tidak sama dengan seri Kolom Label. , coba yang berikut ini:

  • Periksa apakah dataset yang benar sedang digunakan.

  • Periksa apakah ukuran dataset terlalu kecil; apakah, misalnya, hanya berisi beberapa baris. Hal ini dapat menyebabkan output model memiliki nilai yang sama atau tipe data disimpulkan secara tidak benar.

  • Periksa apakah label atau faset diperlakukan sebagai kontinu atau kategoris. SageMaker Clarify menggunakan heuristik untuk menentukan. DataType Untuk metrik bias pasca-pelatihan, tipe data yang dikembalikan oleh model mungkin tidak cocok dengan apa yang ada dalam kumpulan data atau SageMaker Clarify mungkin tidak dapat mengubahnya dengan benar.

    • Dalam laporan bias, Anda akan melihat satu nilai untuk kolom kategoris atau interval untuk kolom kontinu.

    • Misalnya, jika kolom memiliki nilai 0.0 dan 1.0 sebagai float, itu akan diperlakukan sebagai kontinu bahkan jika ada terlalu sedikit nilai unik.

Ketidakcocokan antara konfigurasi analisis dan dataset/model input/output

  • Periksa apakah format dasar dalam konfigurasi analisis sama dengan format kumpulan data.

  • Jika Anda menerima pesan kesalahan Tidak dapat mengonversi string menjadi float. , periksa apakah formatnya ditentukan dengan benar. Ini juga dapat menunjukkan bahwa prediksi model memiliki format yang berbeda dari kolom label atau dapat menunjukkan bahwa konfigurasi untuk label atau probabilitas salah.

  • Jika Anda menerima pesan kesalahan Tidak dapat menemukan facet. atau Header harus berisi label. atau Header dalam konfigurasi tidak cocok dengan jumlah kolom dalam kumpulan data. atau Nama fitur tidak ditemukan. , periksa apakah header cocok dengan kolom.

  • Jika Anda menerima pesan kesalahan Data harus berisi fitur. , periksa template konten untuk JSON Lines dan bandingkan dengan sampel dataset jika tersedia.

Model mengembalikan 500 Internal Server Error atau kontainer jatuh kembali ke prediksi per-record karena kesalahan model

Jika Anda menerima pesan kesalahan Fallback ke prediksi per rekaman karena kesalahan model. , ini dapat menunjukkan bahwa model tidak dapat menangani ukuran batch, atau dibatasi, atau hanya tidak menerima input yang dilewatkan oleh wadah karena masalah serialisasi. Anda harus meninjau CloudWatch log untuk titik akhir SageMaker AI dan mencari pesan kesalahan atau traceback. Untuk kasus pelambatan model, mungkin membantu untuk menggunakan jenis instance yang berbeda atau meningkatkan jumlah instance untuk titik akhir.

Peran eksekusi tidak valid

Ini menunjukkan bahwa peran yang diberikan salah atau tidak ada izin yang diperlukan. Periksa peran dan izinnya yang digunakan untuk mengonfigurasi pekerjaan pemrosesan dan verifikasi kebijakan izin dan kepercayaan untuk peran tersebut.

Gagal mengunduh data

Ini menunjukkan bahwa input pekerjaan tidak dapat diunduh untuk memulai pekerjaan. Periksa nama bucket dan izin untuk dataset dan input konfigurasi.

Tidak dapat terhubung ke SageMaker AI

Ini menunjukkan bahwa pekerjaan tersebut tidak dapat mencapai titik akhir layanan SageMaker AI. Periksa pengaturan konfigurasi jaringan untuk pekerjaan pemrosesan dan verifikasi konfigurasi virtual private cloud (VPC).