# 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](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/monitor-drift.htm) voor meer informatie over het monitoren van gegevensdrift in Qlik Predict.

Zie [Datadrift](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/data-drift.htm) 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 Qlik Predict 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](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/monitor-model-operations.htm).