Prestaties en gebruik van geïmplementeerde modellen monitoren

Terwijl u uw ML-implementatie gebruikt om voorspellingen te genereren, kunt u de prestaties van het bronmodel monitoren door de gegevensdrift in de loop van de tijd te analyseren. U kunt details bekijken over het gebruik van de implementatie voor voorspellingen, zoals hoeveel voorspellingen er zijn geactiveerd en de frequentie van mislukte voorspellingen.

De monitoring van geïmplementeerde modellen en ML-implementaties wordt uitgevoerd met ingesloten analyses.

Gegevensdrift

Met gegevensdrift monitoren kunt u analyseren hoe de invoergegevens voor modelvoorspellingen in de loop van de tijd zijn veranderd, en hoe deze verschillen van de oorspronkelijke trainingsgegevensverzameling. Met deze hulpmiddelen kunt u het punt bepalen waarop uw model opnieuw getraind of vervangen moet worden vanwege een aanzienlijke functiedrift.

Zie Gegevensdrift in geïmplementeerde modellen bewaken voor meer informatie over het monitoren van gegevensdrift.

Zie Gegevensdrift voor algemene informatie over gegevensdrift.

Bewerkingscontrole

Aangezien uw ML-implementatie wordt gebruikt om voorspellingen te maken, is het nuttig om details over de bewerkingen te controleren. Met bewerkingscontrole in AutoML kunt u:

• Het aantal verzoeken, voorspellingen, voorspellingsfouten voor de implementatie bekijken.

• Voorspellingsgebeurtenissen per trigger analyseren (bijvoorbeeld hoeveel er aanvankelijk handmatig waren versus volgens een schema).

• Een gedetailleerd logboek bekijken met elke voorspellingsgebeurtenis en de belangrijkste details.

Ga voor meer informatie naar Bewerkingen van geïmplementeerde modellen monitoren.