Tata Kelola ML dengan Amazon SageMaker
Sederhanakan kontrol akses dan tingkatkan transparansi
Buat peran kustom yang memungkinkan praktisi machine learning (ML) mulai bekerja dengan SageMaker secara lebih cepat.
Sederhanakan dokumentasi model dan sediakan visibilitas ke dalam asumsi, karakteristik, dan artefak penting mulai dari pembuatan konsep hingga deployment.
Audit dan pecahkan masalah performa dengan cepat untuk semua model, titik akhir, dan tugas pemantauan model melalui satu tampilan terpadu.
Lacak penyimpangan dari perilaku model yang diharapkan serta tugas pemantauan yang hilang atau tidak aktif dengan peringatan otomatis.
Amazon SageMaker menyediakan alat tata kelola yang dibuat khusus untuk membantu Anda menerapkan ML secara bertanggung jawab. Dengan menggunakan Amazon SageMaker Role Manager, administrator dapat menentukan izin minimum dalam hitungan menit. Amazon SageMaker Model Cards mempermudah untuk menangkap, mengambil, dan berbagi informasi model penting, seperti tujuan penggunaan, peringkat risiko, dan detail pelatihan, dari pembuatan konsep hingga deployment. Amazon SageMaker Model Dashboard akan terus memberi Anda informasi mengenai perilaku model selama produksi, semuanya di satu tempat.
Tonton video ini untuk mempelajari cara meningkatkan visibilitas ke dalam model ML Anda dengan SageMaker.
Cara kerjanya
Tata kelola ML dengan Amazon SageMaker menggunakan SageMaker Role Manager, SageMaker Model Cards, dan SageMaker Model Dashboard untuk membantu Anda menyederhanakan kontrol akses serta meningkatkan transparansi di seluruh proyek ML Anda.
Amazon SageMaker mencakup tiga fitur tata kelola utama ML: Amazon SageMaker Role Manager, Amazon SageMaker Model Cards, dan Amazon SageMaker Model Dashboard. Bagian pertama diagram berjudul “tata kelola ML dengan Amazon SageMaker.” Pada deskripsi, tertulis “Sederhanakan kontrol akses dan tingkatkan transparansi di seluruh proyek ML Anda.”
Bagian kedua menunjukkan proses orientasi, dengan SageMaker Role Manager. SageMaker Role Manager menentukan izin minimum dalam hitungan menit dengan menyederhanakan penyiapan izin untuk tugas ML dan membuat kebijakan IAM kustom secara otomatis.
Bagian ketiga merupakan bagian dari siklus hidup model, yang mencakup persiapan, pembangunan, pelatihan, penerapan, dan pemantauan model. Dengan SageMaker Model Cards, Anda dapat memusatkan dan membakukan dokumentasi model, mengisi detail model secara otomatis, dan mengekspor ke PDF. Dengan SageMaker Model Dashboard, Anda dapat memantau performa model melalui tampilan terpadu, mengakses wawasan model di satu tempat, dan menerima notifikasi bawaan.
SageMaker Model Cards dan SageMaker Model Dashboard terintegrasi dengan Amazon SageMaker Model Monitor yang dapat digunakan untuk memantau penyimpangan model, serta Amazon SageMaker Clarify yang membantu Anda mendeteksi bias dan menjelaskan perilaku model.
Fitur utama
Menentukan izin minimum dalam hitungan menit dengan SageMaker Role Manager
Sederhanakan izin aktivitas ML
SageMaker Role Manager menyediakan serangkaian izin dasar untuk aktivitas dan persona ML melalui katalog kebijakan AWS Identity and Access Management (IAM) prabangun. Aktivitas ML dapat mencakup persiapan dan pelatihan data, sedangkan persona dapat mencakup perekayasa dan ilmuwan data ML. Anda dapat menetapkan atau mengustomisasi izin dasar lebih lanjut berdasarkan kebutuhan tertentu Anda.
Mengotomatiskan pembuatan kebijakan IAM
Dengan beberapa petunjuk panduan mandiri, Anda dapat dengan cepat menginput konstruksi tata kelola umum seperti batasan akses jaringan dan kunci enkripsi. Kemudian, SageMaker Role Manager akan membuat kebijakan IAM secara otomatis. Anda dapat menemukan peran yang sudah dibuat dan kebijakan terkait melalui konsol AWS IAM.
Melampirkan kebijakan terkelola Anda
Selanjutnya, sesuaikan izin dengan kasus penggunaan Anda, lampirkan kebijakan IAM terkelola Anda ke IAM role yang Anda buat dengan SageMaker Role Manager. Anda juga dapat menambahkan tanda untuk membantu mengidentifikasi dan mengelola aturan-aturan tersebut di seluruh layanan AWS.
Sederhanakan dokumentasi model dengan SageMaker Model Cards
Menangkap informasi model
SageMaker Model Cards merupakan repositori bagi informasi model di dalam Amazon SageMaker Console serta akan membantu Anda memusatkan dan menstandarkan dokumentasi model, sehingga Anda dapat menerapkan ML secara bertanggung jawab. Anda dapat secara otomatis mengisi detail pelatihan seperti set data input, lingkungan pelatihan, dan hasil pelatihan untuk mempercepat proses dokumentasi. Anda juga dapat menambahkan detail seperti tujuan model dan tujuan performa.
Memvisualisasi hasil evaluasi
Anda dapat melampirkan hasil evaluasi model seperti metrik bias dan kualitas ke kartu model serta menambahkan visualisasi seperti bagan untuk mendapatkan wawasan penting mengenai performa model.
Berbagi kartu model
Anda dapat mengekspor kartu model Anda ke dalam format PDF agar dapat berbagi kartu model tersebut dengan pemangku kepentingan bisnis, tim internal, atau pelanggan Anda secara lebih mudah.
Dapatkan pemantauan model terpadu dengan SageMaker Model Dashboard
Melacak perilaku model
SageMaker Model Dashboard memberi Anda gambaran umum yang komprehensif dari model yang dilakukan deployment dan titik akhir, sehingga Anda dapat melacak sumber daya serta pelanggaran perilaku model di satu tempat. Anda dapat memantau perilaku model dalam empat dimensi: kualitas data, kualitas model, penyimpangan bias, dan penyimpangan atribusi fitur. SageMaker Model Dashboard memantau perilaku melalui integrasinya bersama Amazon SageMaker Model Monitor dan Amazon SageMaker Clarify.
Peringkat risiko yang ditunjukkan di atas hanya untuk gambaran dan dapat berbeda berdasarkan input yang Anda sediakan.
Mengotomatiskan pemberitahuan
SageMaker Model Dashboard memberikan pengalaman terintegrasi dalam mengatur dan menerima pemberitahuan untuk tugas pemantauan model yang hilang dan tidak aktif serta penyimpangan perilaku model.
Peringkat risiko yang ditunjukkan di atas hanya untuk gambaran dan dapat berbeda berdasarkan input yang Anda sediakan.
Memecahkan masalah penyimpangan model
Selanjutnya, Anda dapat memeriksa tiap-tiap model dan menganalisis faktor yang memengaruhi performa model dari waktu ke waktu. Lalu, Anda dapat melakukan tindak lanjut bersama para praktisi ML untuk mengambil tindakan korektif.
Pelanggan
“Di United Airlines, kami menggunakan machine learning (ML) untuk meningkatkan pengalaman pelanggan dengan menyediakan penawaran khusus, sehingga memungkinkan pelanggan siap, menggunakan Travel Readiness Center. Penggunaan ML kami juga meluas sampai ke operasi bandara, perencanaan jaringan, dan penjadwalan penerbangan. Pascapandemi, Amazon SageMaker berperan penting dalam Travel Readiness Center, sehingga memungkinkan kami menangani sertifikat pengujian COVID dan kartu vaksin dalam volume besar, dengan otomatisasi model berbasis dokumen. Dengan kemampuan tata kelola baru dari Amazon SageMaker, kami telah meningkatkan kontrol dan visibilitas di seluruh model machine learning kami. SageMaker Role Manager menyederhanakan proses pengaturan pengguna secara dramatis dengan memberikan izin dasar dan aktivitas ML untuk setiap persona yang tertaut ke IAM role. Dengan SageMaker Model Cards, tim kami dapat secara proaktif menangkap dan berbagi informasi model untuk peninjauan. Dengan SageMaker Model Dashboard, kami mampu mencari dan melihat model yang telah dilakukan deployment di MARS, platform ML internal kami. Dengan semua kemampuan tata kelola baru ini, kami menghemat banyak waktu dan mampu menaikkan skala.”
Ashok Srinivas, Director of ML Engineering and Ops, United Airlines
“Di Capitec, kami memiliki beragam ilmuwan data di seluruh lini produk kami, yang membangun berbagai solusi ML yang berbeda. Para perekayasa ML kami mengelola platform pemodelan terpusat yang dibangun di Amazon SageMaker untuk memberdayakan pengembangan dan deployment seluruh solusi ML ini. Tanpa adanya alat bawaan, melacak upaya pemodelan akan cenderung mengarah pada dokumentasi yang terputus-putus dan kurangnya visibilitas model. Dengan menggunakan SageMaker Model Cards, kami dapat melacak beberapa metadata model dalam lingkungan terpadu, dan SageMaker Model Dashboard memberi kami visibilitas terhadap performa tiap-tiap model. Selain itu, SageMaker Role Manager menyederhanakan proses pengelolaan akses bagi ilmuwan data di berbagai lini produk kami. Masing-masing berkontribusi atas terciptanya tata kelola model yang memadai guna menjamin bahwa para klien akan menjadikan kami sebagai penyedia jasa keuangan.”
Dean Matter, ML Engineer, Capitec Bank
Sumber Daya
Lihat dokumentasi teknis untuk mempelajari cara menggunakan fitur tata kelola ML SageMaker.
Pelajari selengkapnya tentang alat tata kelola ML yang baru untuk SageMaker.
Sesi "Tingkatkan tata kelola ML dengan kontrol mendalam & transparansi di SageMaker” dari AWS re:Invent 2022.
Tentukan izin khusus dalam hitungan menit dengan Amazon SageMaker Role Manager.