Tata Kelola ML dengan Amazon SageMaker

Sederhanakan kontrol akses dan tingkatkan transparansi
Memulai dengan Amazon SageMaker

Mengapa tata kelola ML

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. Integrasi Amazon SageMaker dan Amazon DataZone mempermudah penyederhanaan tata kelola ML dan data.

Manfaat Tata Kelola ML SageMaker

Sediakan lingkungan pengembangan ML dalam hitungan menit dengan kontrol keamanan kelas korporasi untuk mengatur akses ke aset ML dan data dalam proyek.
Hasilkan peran khusus yang memungkinkan praktisi machine learning (ML) mulai bekerja dengan SageMaker lebih cepat
Sederhanakan dokumentasi model dan berikan visibilitas ke dalam asumsi, karakteristik, dan artefak utama mulai dari konsepsi 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 diperkirakan, serta tugas pemantauan yang tidak ada atau tidak aktif, dengan pemberitahuan otomatis

Integrasikan dengan Amazon DataZone

  • Pengaturan kontrol dan penyediaan

  • Administrator IT dapat menentukan kontrol infrastruktur dan izin khusus untuk perusahaan Anda dan kasus penggunaan di Amazon DataZone. Kemudian Anda dapat membuat lingkungan SageMaker yang sesuai hanya dengan beberapa klik dan memulai proses pengembangan di dalam SageMaker Studio.

  • Cari dan Temukan aset

  • Di SageMaker Studio, Anda dapat secara efisien mencari dan menemukan data dan aset ML dalam katalog bisnis organisasi Anda. Anda juga dapat meminta akses ke aset yang mungkin perlu digunakan dalam proyek Anda dengan berlangganan.

  • Konsumsi aset

  • Setelah permintaan langganan disetujui, Anda dapat menggunakan aset langganan ini dalam tugas-tugas ML seperti persiapan data, pelatihan model, dan rekayasa fitur di dalam SageMaker Studio menggunakan JupyterLab, dan SageMaker Canvas.

  • Terbitkan aset

  • Setelah menyelesaikan tugas ML, Anda dapat menerbitkan data, model, dan grup fitur ke katalog bisnis untuk tata kelola serta kemudahan untuk ditemukan oleh pengguna lain.

Tentukan izin

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.

manajer peran menyederhanakan izin

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.

Lampirkan 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.

lampirkan kebijakan terkelola Anda

Sederhanakan dokumentasi

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.

informasi model di konsol sagemaker

Visualisasikan 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.

kartu model memvisualisasikan hasil evaluasi

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.

Pemantauan Model

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.

dasbor model

Otomatiskan 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.

Otomatiskan Pemberitahuan

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.