모델 카드 생성

기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

Amazon SageMaker SageMaker 모델 카드를 생성할 수 있습니다. SageMaker 직접 API 작업을 사용할 수도 있습니다. 이러한 API 작업에 대한 자세한 내용은 모델 카드용 하위 수준 SageMaker API섹션을 참조하세요.

SageMaker AI 콘솔을 사용하여 모델 카드 생성

Amazon SageMaker AI 콘솔로 이동합니다. 탐색 창의 거버넌스에서 모델 카드를 선택합니다. 오른쪽 상단 모서리에서 모델 카드 생성을 선택합니다.

모델 카드 생성 프롬프트의 4단계를 수행하여 모델에 대한 세부 정보를 문서화하세요.

1단계: 모델 세부 정보 및 용도 입력

모델이 AWS 리소스인 경우이 필드에 정확한 모델 이름을 지정하여 모델 세부 정보를 자동으로 채웁니다. 기존 모델 이름을 찾아보려면 Amazon SageMaker AI 콘솔의 모델을 참조하세요. 각 고유 모델 이름은 연결된 모델 카드가 하나만 가질 수 있습니다.

모델이 AWS 리소스가 아닌 경우 모델의 고유한 이름을 제공합니다. 모델을 AWS 리소스로 추가하려면 Amazon SageMaker AI 개발자 안내서의 모델 생성을 참조하세요. 또는 SageMaker AI Marketplace 또는 SageMaker AI 모델 레지스트리를 사용하여 모델을 모델 패키지로 추가할 수 있습니다.

용도에 대한 자세한 내용은 모델의 용도섹션을 참조하세요. 위험 등급에 대한 자세한 내용은 위험 등급섹션을 참조하세요.

2단계: 훈련 세부 정보 입력

훈련 세부 정보, 훈련 관찰, 데이터세트, 하이퍼파라미터, 모델의 목표 함수에 대한 세부 정보를 모델 카드에 추가합니다.

모델 카드의 목표 함수는 훈련 중에 최적화된 모든 함수일 수 있습니다. 여기에는 비용 함수, 손실 함수 또는 목표 지표가 포함될 수 있지만 이에 국한되지는 않습니다. 이 섹션에서 모델 훈련에 가장 중요한 목표 함수를 설명하세요.

목표 함수의 다음 속성을 카탈로그로 작성하는 것이 좋습니다.

예를 들어, 바이너리 분류 문제(설명)의 경우 교차 엔트로피 손실(지표)을 최소화(최적화 방향)하거나 로지스틱 회귀 가능성을 최대화할 수 있습니다. 또한 다른 것보다 이 목표 함수를 선택한 이유에 대한 메모도 제공할 수 있습니다.

3단계: 평가 세부 정보 입력

SageMaker Clarify 또는 모델 모니터에서 생성한 기존 평가 보고서가 있는 경우, 해당 보고서에 대한 S3 URI를 제공하거나 수동으로 업로드하여 모델 카드에 추가하세요.

자세한 내용은 바이어스 분석 및 설명 가능성을 위해 SageMaker Clarify 처리 작업 실행을 참조하세요.

모델 모니터를 사용하여 모델 품질 지표의 드리프트를 모니터링하는 방법에 대한 자세한 내용은 모델 품질 모니터링을 참조하세요.

자체 평가 보고서를 추가하려면 일반 모델 카드 평가를 선택합니다. 모든 모델 카드 평가 보고서는 모델 카드 JSON 스키마에 있어야 합니다.

4단계: 추가 세부 정보 입력

모델 카드에서 다루려는 추가 정보에 대한 사용자 지정 모델 카드 세부 정보 필드를 추가하세요. 예를 들어, 사용자 지정 필드 사업 부문(LOB)을 개인 금융이라는 값과 함께 포함할 수 있습니다.

모델 카드 저장

모델 카드의 정보를 검토한 후 오른쪽 하단 모서리에서 저장을 선택하여 모델 카드를 저장합니다.

SageMaker Python SDK를 사용하여 모델 카드 생성

모델 카드를 생성하기 전에 먼저 모델 카드의 콘텐츠를 정의해야 합니다. SageMaker Python SDK를 사용하는 경우 모델 콘텐츠는 모델 개요, 훈련 세부 정보, 용도, 평가 세부 정보 및 추가 정보로 구성됩니다.

다음에 대한 모델 카드를 생성할 수 있습니다:

모델을 연결하지 않고도 모델 카드를 생성할 수 있습니다.

훈련한 모델을 SageMaker 모델 레지스트리에 추가하는 것이 좋습니다. 모델 레지스트리는 모델을 카탈로그화하고 모델 버전을 추적하는 데 도움이 됩니다. 모델 카드를 생성하면 모델 레지스트리의 모델 정보가 모델 카드에 자동으로 채워집니다. 모델 카드를 생성한 후 모델 카드를 편집하거나 정보를 추가할 수 있습니다.

모델 레지스트리에 대한 자세한 내용은 Model Registry를 사용한 모델 등록 배포섹션을 참조하세요. 모델 레지스트리에서 모델 카드를 생성하는 방법에 대한 자세한 내용은 SageMaker 모델 레지스트리에서 모델을 위한 모델 카드를 생성합니다.섹션을 참조하세요.

SageMaker 모델 레지스트리에 없는 모델을 위한 모델 카드를 생성하려면 모델 레지스트리에 없는 모델 생성섹션을 참조하세요.

모델 레지스트리에 없는 모델 생성

다음 섹션의 정보를 사용하여 모델 레지스트리에 추가하지 않은 모델의 모델 카드를 생성할 수 있습니다.

1단계: 모델 개요 정의

모델 개요를 정의합니다.

model_overview = ModelOverview.from_model_name(
model_name=model_name,
sagemaker_session=sagemaker_session,
model_description="A-description-of-your-model",
problem_type="Problem-type", # For example, "Binary Classification"
algorithm_type="Algorithm-type", # For example, "Logistic Regression"
model_creator="Name-of-model-creator",
model_owner="Name-of-model-owner",
)

모델이 AWS 리소스인 경우 모델 ARN, 추론 컨테이너 URI 및 모델 아티팩트의 S3 위치와 같은 개요 정보를 자동으로 검색할 수 있습니다. 다음 명령을 사용하여 연결된 AWS 메타데이터를 인쇄합니다.

print(model_overview.model_id)
print(model_overview.inference_environment.container_image)
print(model_overview.model_artifact)

2단계: 훈련 세부 정보 정의

모델의 훈련 세부 정보를 정의하려면 먼저 목표 함수를 정의해야 합니다.

objective_function = ObjectiveFunction(
    function=Function(
        function=ObjectiveFunctionEnum.MINIMIZE,
        facet=FacetEnum.LOSS,
    ),
    notes="An-explanation-about-objective-function",
)

다음으로 기존 모델 개요, 세션 및 목표 함수를 사용하여 훈련 세부 정보를 정의할 수 있습니다. 여기에 훈련 관찰 결과를 모두 추가합니다.

training_details = TrainingDetails.from_model_overview(
    model_overview=model_overview,
    sagemaker_session=sagemaker_session,
    objective_function=objective_function,
    training_observations="Model-training-observations",
)

다시 한 번, 모델이 AWS 리소스인 경우 특정 훈련 세부 정보가 자동으로 채워집니다. 다음 명령을 사용하여 훈련 작업 ARN, 훈련 컨테이너 URI, 훈련 지표를 인쇄합니다.

print(training_details.training_job_details.training_arn)
print(training_details.training_job_details.training_environment.container_image) 
print([{"name": i.name, "value": i.value} for i in training_details.training_job_details.training_metrics]) 

평가 세부 정보를 정의합니다.

모델의 평가 세부 정보를 정의하려면 먼저 평가 작업에 사용되는 지표를 설명하는 지표 그룹을 하나 이상 정의해야 합니다.

my_metric_group = MetricGroup(
name="binary classification metrics",
metric_data=[Metric(name="accuracy", type=MetricTypeEnum.NUMBER, value=0.5)]
)

그런 다음 각 평가 작업에 대한 평가 지표와 데이터세트를 사용하여 평가 세부 정보를 정의할 수 있습니다. 여기에 평가 관찰 내용을 추가하고 평가 작업에 고유한 이름을 지정합니다.

evaluation_details = [
    EvaluationJob(
        name="Example-evaluation-job",
        evaluation_observation="Evaluation-observations",
        datasets=["s3://path/to/evaluation/data"],
        metric_groups=[my_metric_group],
    )
]

SageMaker AI Clarify 또는 SageMaker AI 모델 모니터에서 생성된 기존 평가 보고서가 있는 경우 Amazon S3에 업로드하고 평가 지표를 자동으로 구문 분석할 수 있는 S3 URI를 제공합니다. 고유한 일반 모델 카드 평가 보고서를 추가하려면 평가 결과 JSON 형식의 보고서를 제공하세요.

report_type = "clarify_bias.json"
example_evaluation_job.add_metric_group_from_json(
    f"example_metrics/{report_type}", EvaluationMetricTypeEnum.CLARIFY_BIAS
) 

3단계: 용도 정의

모델의 일반 용도와 의도된 사용 사례를 포함하여 모델의 용도를 정의합니다. 또한 특정 사용 사례에서 이 모델의 효율성에 영향을 미칠 수 있는 모든 요인과 모델에 대한 조직의 위험 등급을 포함하는 것이 좋습니다. 자세한 정보는 모델의 용도및 위험 등급섹션을 참조하세요.

intended_uses = IntendedUses(
purpose_of_model="Purpose-of-the-model",
intended_uses="The-intended-uses-of-this-model",
factors_affecting_model_efficiency="Any-factors-effecting-model-efficacy",
risk_rating=RiskRatingEnum.LOW,
explanations_for_risk_rating="Explanation-for-low-risk-rating",
)

추가 정보 정의

마지막으로 모델 카드에 사용자 지정 정보를 추가할 수 있습니다. 모델에 대한 윤리적 고려 사항, 주의 사항 및 권장 사항을 문서화할 수 있습니다. 키-값 페어 형식으로 원하는 사용자 지정 세부 정보를 추가할 수도 있습니다.

additional_information = AdditionalInformation(
ethical_considerations="Any-ethical-considerations",
caveats_and_recommendations="Any-caveats-and-recommendations",
custom_details={"custom details1": "details-value"},
)

4단계: 모델 카드 생성

모델 카드의 이름을 지정하고 모델 카드를 정의한 다음 해당 정의를 사용하여 SageMaker Python SDK를 사용하여 모델 카드를 생성합니다.

model_card_name = "my-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 모델 레지스트리에서 모델을 위한 모델 카드를 생성합니다.

모델 카드를 생성하기 전에 모델 패키지 그룹과 모델 패키지를 생성했는지 확인하세요. 모델 레지스트리에 대한 자세한 내용은 Model Registry를 사용한 모델 등록 배포섹션을 참조하세요.

SageMaker Python SDK를 사용하여 SageMaker 모델 레지스트리 내에 모델 패키지용 모델 카드를 생성할 수 있습니다. 모델 패키지는 사용자가 훈련시킨 모델입니다. 모델 카드를 생성하면 Amazon SageMaker 모델 카드는 모델 패키지의 데이터를 모델 카드로 자동으로 가져옵니다.

모델 패키지용 모델 카드를 생성할 때 Amazon SageMaker 모델 카드는 DescribeModelPackage 작업을 사용하여 모델 패키지의 데이터를 모델 카드에 추가합니다. 다음은 모델 패키지에서 모델 카드로 가져올 수 있는 필드의 예입니다.

다음 코드를 사용하여 모델 패키지를 정의하고 모델 패키지를 기반으로 모델 카드를 생성하세요.

mp_details = ModelPackage.from_model_package_arn(
    model_package_arn="example_model_package_arn",
    sagemaker_session=sagemaker_session,
)

model_card_name = "example-model-card"
my_card = ModelCard(
    name=model_card_name,
    status=ModelCardStatusEnum.status,
    model_package_details=mp_details,
    sagemaker_session=sagemaker_session,
)
my_card.create()
            

status의 경우, 모델 카드의 승인 상태를 지정하고 있습니다. 상태를 지정하지 않을 경우 SageMaker 모델 카드는 DRAFT의 기본값을 사용합니다. SageMaker AI 세션을 지정하지 않으면 SageMaker 모델 카드가 기본 SageMaker AI 세션을 사용합니다.

모델 이름과 모델 패키지의 Amazon 리소스 이름(ARN)을 지정해야 합니다. 모델 패키지의 Amazon 리소스 이름(ARN)을 가져오는 방법에 대한 자세한 내용은 모델 버전 세부 정보 확인 및 업데이트(Boto3)섹션을 참조하세요.

모델 패키지에서 생성한 모델 카드에 누락되거나 부정확한 정보가 있을 수 있습니다. 모델 카드에 정보를 추가하거나 편집할 수 있습니다. 모델 카드 관리에 대한 자세한 내용은 모델 카드 작업섹션을 참조하세요.

SageMaker 모델 레지스트리는 모델 패키지의 버전 관리를 지원합니다. 모델 패키지의 버전을 관리하고 각 버전에 대한 모델 카드를 생성할 수 있습니다. 이전 버전의 모델 카드의 정보는 후속 버전에서 생성된 모델 카드에 전달됩니다. 예를 들어, 모델 패키지의 버전 1, 버전 2, 버전 3이 있을 수 있습니다. 버전 1용 모델 카드는 이미 만들었지만 버전 2용 모델 카드는 만들지 않았다고 가정해 보겠습니다. 버전 3용 모델 카드를 생성하는 경우 Amazon SageMaker 모델 카드는 버전 1용 모델 카드에서 버전 3용 모델 카드로 정보를 자동으로 전달합니다.