ML-Governance mit Amazon SageMaker

Zugriffskontrolle vereinfachen und die Transparenz erhöhen
Erste Schritte mit Amazon SageMaker

Gründe für ML-Governance

Amazon SageMaker bietet speziell entwickelte Governance-Tools, die Sie bei der verantwortungsvollen Implementierung von ML unterstützen. Mit Amazon SageMaker Role Manager können Administratoren in wenigen Minuten Mindestberechtigungen definieren. Amazon SageMaker Model Cards vereinfacht die Erfassung, den Abruf und die Freigabe wesentlicher Modellinformationen wie Verwendungszwecke, Risikobewertungen und Trainingsdetails, von der Konzeption bis zur Bereitstellung. Amazon SageMaker Model Dashboard informiert Sie über das Verhalten des Modells in der Produktion – alles an einem Ort. Die Integration von Amazon SageMaker und Amazon DataZone erleichtert die Optimierung von ML und Data Governance.

Vorteile von SageMaker ML Governance

Stellen Sie ML-Entwicklungsumgebungen innerhalb von Minuten mit Sicherheitskontrollen auf Unternehmensebene bereit, um den Zugriff auf ML und Datenressourcen in Projekten zu steuern.
Benutzerdefinierte Rollen generieren, mit denen Machine-Learning-Experten schneller mit SageMaker arbeiten können
Modelldokumentation optimieren und Einblicke in wichtige Annahmen, Merkmale und Artefakte von der Konzeption bis zur Bereitstellung bereitstellen
Überprüfen Sie die Leistung aller Modelle, Endpunkte und Modellüberwachungsaufträge und beheben Sie Fehler über eine einheitliche Ansicht. Abweichungen vom erwarteten Modellverhalten sowie fehlende oder inaktive Überwachungsaufträge mit automatischen Warnmeldungen verfolgen

Mit Amazon DataZone integrieren

  • Steuerung und Bereitstellung einrichten

  • IT-Administratoren können in Amazon DataZone Infrastrukturkontrollen und Berechtigungen definieren, die für Ihr Unternehmen und Ihren Anwendungsfall spezifisch sind. Anschließend können Sie mit nur wenigen Klicks eine geeignete SageMaker-Umgebung erstellen und den Entwicklungsprozess in SageMaker Studio starten.

  • Komponenten suchen und entdecken

  • In SageMaker Studio können Sie Daten und ML-Komponenten im Geschäftskatalog Ihres Unternehmens effizient suchen und entdecken. Sie können auch Zugriff auf Ressourcen anfordern, die Sie möglicherweise in Ihrem Projekt verwenden müssen, indem Sie sie abonnieren.

  • Assets verwenden

  • Sobald Ihre Abonnementanfrage genehmigt wurde, können Sie diese abonnierten Ressourcen in ML-Aufgaben wie Datenvorbereitung, Modelltraining und Feature-Engineering in SageMaker Studio mithilfe von JupyterLab und SageMaker Canvas verwenden.

  • Komponenten veröffentlichen

  • Nach Abschluss der ML-Aufgaben können Sie Daten, Modelle und Feature-Gruppen im Geschäftskatalog veröffentlichen, um sie für andere Benutzer zu verwalten und auffindbar zu machen.

Berechtigungen definieren

Vereinfachen Sie die Berechtigungen für ML-Aktivitäten

SageMaker Role Manager bietet einen Basissatz von Berechtigungen für ML-Aktivitäten und Personas durch einen Katalog von vorgefertigten AWS-Identity-and-Access-Management-Richtlinien (IAM). Zu den ML-Aktivitäten können Datenvorbereitung und Training gehören, und zu den Personas können ML-Ingenieure und Datenwissenschaftler gehören. Sie können die Basisberechtigungen beibehalten oder sie basierend auf Ihren spezifischen Anforderungen weiter anpassen.

Rollenmanager zur Vereinfachung von Berechtigungen

Automatisierung der Generierung von IAM-Richtlinien

Mit ein paar selbstgesteuerten Eingabeaufforderungen können Sie schnell gängige Governance-Konstrukte wie Netzwerkzugriffsgrenzen und Verschlüsselungsschlüssel eingeben. SageMaker Role Manager erstellt die IAM-Richtlinie dann automatisch. Sie können die generierte Rolle und die zugehörigen Richtlinien über die AWS-IAM-Konsole einsehen.

Anfügen Ihrer verwalteten Richtlinien

Um die Berechtigungen weiter auf Ihren Anwendungsfall anzupassen, verknüpfen Sie Ihre verwalteten IAM-Richtlinien mit der IAM-Rolle, die Sie mit SageMaker Role Manager erstellen. Sie können auch Tags hinzufügen, um die Rollen über AWS-Services hinweg zu identifizieren und zu organisieren.

Ihre verwalteten Richtlinien anfügen

Dokumentation optimieren

Erfassen von Modellinformationen

SageMaker Model Cards ist ein Repository für Modellinformationen in der Amazon-SageMaker-Konsole und unterstützt Sie bei der Zentralisierung und Standardisierung der Modelldokumentation, damit Sie ML verantwortungsvoll implementieren können. Sie können Trainingsdetails wie Eingabedatensätze, Trainingsumgebungen und Trainingsergebnisse automatisch ausfüllen, um den Dokumentationsprozess zu beschleunigen. Sie können auch Details wie den Modellzweck und Leistungsziele hinzufügen.

Modellinformationen in der Sagemaker-Konsole

Visualisierung der Auswertungsergebnisse

Sie können Ihrer Modellkarte Auswertungsergebnisse wie Verzerrungen und Qualitätsmetriken anfügen und Visualisierungen wie Diagramme hinzufügen, um wichtige Einblicke in die Modellleistung zu erhalten.

Modellkarten visualisieren Auswertungsergebnisse

Freigabe von Modellkarten

Sie können Ihre Modellkarten in ein PDF-Format exportieren, um sie auf einfachere Weise für Geschäftsbeteiligten, internen Teams oder Ihren Kunden freizugeben.

Modellüberwachung

Modellverhalten nachverfolgen

SageMaker Model Dashboard gibt Ihnen einen umfassenden Überblick über bereitgestellte Modelle und Endpunkte, so dass Sie Ressourcen und Verletzungen des Modellverhaltens an einem Ort verfolgen können. Sie können das Modellverhalten in vier Dimensionen überwachen: Datenqualität, Modellqualität, Abweichung von der Norm und Abweichung von der Merkmalszuordnung. SageMaker Model Dashboard überwacht das Verhalten durch seine Integration mit Amazon SageMaker Model Monitor und Amazon SageMaker Clarify.

Modell-Dashboard

Warnmeldungen automatisieren

SageMaker Model Dashboard bietet eine integrierte Funktion zum Einrichten und Empfangen von Warnmeldungen für fehlende und inaktive Modellüberwachungsaufträge und Abweichungen im Modellverhalten.

Warnmeldungen automatisieren

Fehlerbehebung bei Modellabweichungen

Sie können einzelne Modelle weiter untersuchen und die Faktoren analysieren, die sich im Laufe der Zeit auf die Modellleistung auswirken. Anschließend können Sie sich an ML-Experten wenden, um Korrekturmaßnahmen zu ergreifen.