As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Programar trabalhos de monitoramento de desvio de atributos de recursos

Depois de criar sua SHAP linha de base, você pode chamar o create_monitoring_schedule() método da sua instância de ModelExplainabilityMonitor classe para agendar um monitor horário de explicabilidade do modelo. As seções a seguir mostram como criar um monitor de explicabilidade do modelo para um modelo implantado em um endpoint em tempo real, bem como para um trabalho de transformação de lotes.

Se um trabalho de linha de base foi apresentado, o monitor seleciona automaticamente a configuração de análise do trabalho de linha de base. No entanto, se você pular a etapa de definição de linha de base ou se o conjunto de dados de captura tiver uma natureza diferente da do conjunto de dados de treinamento, você precisará fornecer a configuração da análise. A ModelConfig é exigida pela ExplainabilityAnalysisConfig pelo mesmo motivo que é exigida para o trabalho de linha de base. Observe que somente recursos são necessários para calcular a atribuição de recursos, portanto, você deve excluir o rótulo do Ground Truth.

Monitoramento do desvio de atribuição de recursos para modelos implantados em endpoints em tempo real

Para programar um monitor de explicabilidade do modelo para um endpoint em tempo real, transmita sua instância EndpointInput para o argumento endpoint_input de sua instância ModelExplainabilityMonitor, conforme mostrado no exemplo de código a seguir:

from sagemaker.model_monitor import CronExpressionGenerator

model_exp_model_monitor = ModelExplainabilityMonitor(
   role=sagemaker.get_execution_role(),
   ... 
)

schedule = model_exp_model_monitor.create_monitoring_schedule(
   monitor_schedule_name=schedule_name,
   post_analytics_processor_script=s3_code_postprocessor_uri,
   output_s3_uri=s3_report_path,
   statistics=model_exp_model_monitor.baseline_statistics(),
   constraints=model_exp_model_monitor.suggested_constraints(),
   schedule_cron_expression=CronExpressionGenerator.hourly(),
   enable_cloudwatch_metrics=True,
   endpoint_input=EndpointInput(
        endpoint_name=endpoint_name,
        destination="/opt/ml/processing/input/endpoint",
    )
)

Monitoramento de desvio de atribuição de recursos para trabalhos de transformação de lotes

Para programar um monitor de explicabilidade do modelo para um trabalho de transformação de lotes, transmita sua instância BatchTransformInput para o argumento batch_transform_input de sua instância ModelExplainabilityMonitor, conforme mostrado no exemplo de código a seguir:

from sagemaker.model_monitor import CronExpressionGenerator

model_exp_model_monitor = ModelExplainabilityMonitor(
   role=sagemaker.get_execution_role(),
   ... 
)

schedule = model_exp_model_monitor.create_monitoring_schedule(
   monitor_schedule_name=schedule_name,
   post_analytics_processor_script=s3_code_postprocessor_uri,
   output_s3_uri=s3_report_path,
   statistics=model_exp_model_monitor.baseline_statistics(),
   constraints=model_exp_model_monitor.suggested_constraints(),
   schedule_cron_expression=CronExpressionGenerator.hourly(),
   enable_cloudwatch_metrics=True,
   batch_transform_input=BatchTransformInput(
        destination="opt/ml/processing/data",
        model_name="batch-fraud-detection-model",
        input_manifests_s3_uri="s3://amzn-s3-demo-bucket/batch-fraud-detection/on-schedule-monitoring/in/",
        excludeFeatures="0",
   )
)