產生自定角色，使機器學習 (ML) 從業人員能夠更快地開始使用 SageMaker。
簡化模型文件並提供從概念到部署的主要假設、特性和成品的可見性。
透過統一檢視快速稽核所有模型、端點和模型監控任務的效能，並進行疑難排解。
使用自動化提醒追踪與預期模型行為的偏差，以及遺失或非作用中的監控任務。
Amazon SageMaker 提供專用的管理工具來幫助您負責任地執行 ML。透過 Amazon SageMaker Role Manager，管理員可在幾分鐘之內定義最小許可。Amazon SageMaker Model Cards 可以更輕鬆地儲存、擷取與共享從概念到部署的基本模型資訊，例如用途、風險評級和訓練詳細資訊。Amazon SageMaker Model Dashboard 會通知您單一位置的生產中模型行為。
觀看此影片，了解如何使用 SageMaker 改善 ML 模型的可視性。
運作方式
使用 Amazon SageMaker 進行 ML 管理使用了 SageMaker Role Manager、SageMaker Model Cards 和 SageMaker Model Dashboard 來幫助您簡化存取控制並提升 ML 專案的透明度。
Amazon SageMaker 包含三種主要的 ML 管理功能：Amazon SageMaker Role Manager、Amazon SageMaker Model Cards 以及 Amazon SageMaker Model Dashboard。該圖表的第一個部分名為「使用 Amazon SageMaker 進行 ML 管理」。 該描述表示「簡化存取控制並提升 ML 專案的透明度」。
第二個部分顯示上線流程，其涉及 SageMaker Role Manager。SageMaker Role Manager 透過簡化 ML 任務的許可設定和自動產生自定 IAM 政策，在幾分鐘內定義最小許可。
第三個部分是模型生命週期的一部分，其包括準備、建置、訓練、部署和監控模型。透過 SageMaker Model Cards，您可以集中和標準化模型文件，自動填入模型，並且匯出成 PDF。透過 SageMaker Model Dashboard，您可以透過統一檢視監控模型效能，在單一位置存取模型見解，以及接收內建通知。
SageMaker Model Cards 和 SageMaker Model Dashboard 與 Amazon SageMaker Model Monitor 整合了，其可用於監控模型漂移，以及 Amazon SageMaker Clarify 可協助偵測偏差與解釋模型行為。
主要功能
透過 SageMaker Role Manager，在幾分鐘內定義最小許可
簡化 ML 活動的許可
SageMaker Role Manager 透過預先建置的 AWS Identity and Access Management (IAM) 政策型錄，為 ML 活動和角色提供一組基線許可。ML 活動可包含資料準備和訓練，角色可包含 ML 工程師和資料科學家。您可以保留基準許可，或根據您的特定需求進一步自定許可。
自動產生 IAM 政策
透過一些自助提示，您可以快速輸入常見的建構模組，例如網路存取邊界和加密金鑰。SageMaker Role Manager 接著會自動產生 IAM 政策。您可以透過 AWS IAM 主控台發現產生的角色與關聯的政策。
連接您的受管政策
若要進一步針對您的使用案例客製化許可，請將您的受管 IAM 政策連接到使用 SageMaker Role Manager 建立的 IAM 角色。您也可以新增標籤，以協助識別和組織各個 AWS 服務的角色。
透過 SageMaker Model Cards 簡化模型文件
擷取模型資訊
SageMaker Model Cards 是 Amazon SageMaker Console 中模型資訊的儲存庫，可幫助您集中和標準化模型文件，以便您可以負責任地執行 ML。您可以自動填入訓練細節，例如輸入資料集、訓練環境還有訓練結果，以加速文件編制流程。您還可以新增模型用途和效能目標等詳細資訊。
視覺化評估結果
您可以將模型評估結果附加至模型卡，例如偏差和品質指標，並新增視覺化效果，例如圖表，以獲得對模型效能的關鍵見解。
共享模型卡
您可以將 Model Cards 匯出為 PDF 格式，以便更輕鬆地共享給業務利益相關者、內部團隊或您的客戶。
使用 SageMaker Model Dashboard 取得統一的模型監控
追蹤模型行為
SageMaker Model Dashboard 為您提供部署模型和端點的全面概觀，讓您可追蹤單一位置的資源和模型行為違規情況。您可以從四個維度監控模型行為：資料品質、模型品質、偏差漂移以及特徵歸因漂移。SageMaker Model Dashboard 透過與 Amazon SageMaker Model Monitor 和 Amazon SageMaker Clarify 整合來監控行為。
自動化提醒
SageMaker Model Dashboard 提供一種整合體驗，可針對缺失和非作用中模型監控任務，以及模型行為偏差來設定和接收提醒。
疑難排解模型偏差
您可以進一步檢查各個模型，並分析隨著時間影響模型效能的因素。接著您就能聯繫 ML 從業人員以採取修正措施。
客戶
「在 United Airlines，我們使用機器學習 (ML) 來改善客戶體驗，方法為提供個人化優惠，使客戶能夠使用 Travel Readiness Center (旅行就緒中心) 做好準備。我們對 ML 的使用還延伸到了機場營運、網路規劃、航班排程。因我們即將脫離疫情陰霾，Amazon SageMaker 在 Travel Readiness Center (旅行就緒中心) 扮演了關鍵角色，使我們能夠使用以文件為基礎的模型自動化處理大量的 COVID 檢測證明、疫苗接種卡。借助 Amazon SageMaker 的新管理功能，我們提升了對機器學習模型的控制和可見性。SageMaker Role Manager 透過為連接到 IAM 角色的每個角色提供基準許可和 ML 活動，大幅簡化了使用者設定流程。透過 SageMaker Model Cards，我們的團隊可以主動擷取與共享模型資訊以供審查，並且使用 SageMaker Model Dashboard，我們能夠搜尋和檢視部署在 MARS（我們的內部 ML 平台）上的模型。透過這些新的管理功能，我們大幅節省了時間，並且得以縱向擴展。」
United Airlines ML 工程與操作主管 Ashok Srinivas
「在 Capitec，我們的產品線擁有各式各樣的資料科學家，建置不同的 ML 解決方案。我們的 ML 工程師管理一個建置於 Amazon SageMaker 之上的集中式建模平台，以提升這些 ML 解決方案的開發和部署。在沒有任何內建工具的情況下，追蹤建模工作往往會導致文件不連貫，並且缺乏模型可見性。透過 SageMaker Model Cards，我們可以追蹤統一環境中的大量模型中繼資料，而 SageMaker Model Dashboard 讓我們能夠了解每個模型的效能。此外，SageMaker Role Manager 在不同的生產線中，簡化了資料科學家的管理存取流程。每一點都有助於我們的模型管理足以保證我們的客戶對我們作為金融服務供應商的信任。」
Capitec Bank ML 工程師 Dean Matter