# Monitorowanie wydajności i wykorzystania wdrożonych modeli

Podczas korzystania z wdrożenia ML do generowania predykcji można monitorować wydajność modelu źródłowego, analizując dryf danych w czasie. Można wyświetlić szczegółowe informacje na temat wykorzystania wdrożenia do predykcji, takie jak sposób uruchomienia predykcji i wskaźnik niepowodzeń predykcji.

Monitorowanie wdrożonych modeli i wdrożeń ML odbywa się za pomocą wbudowanej analityki.

## Monitorowanie dryfu danych

Dzięki monitorowaniu dryfu danych można przeanalizować, jak dane wejściowe do predykcji modelu zmieniły się w czasie i jak różnią się one od oryginalnego zestawu danych do uczenia. Dzięki tym narzędziom można określić punkt, w którym model wymaga ponownego uczenia lub wymiany z powodu znacznego dryfu cech.

Więcej informacji o monitorowaniu dryfu danych w Qlik Predict zawiera temat [Monitorowanie dryfu danych we wdrożonych modelach](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/monitor-drift.htm).

Ogólne informacje na temat dryfu danych można znaleźć na stronie [Dryf danych](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/data-drift.htm).

## Monitorowanie operacji

Ponieważ wdrożenie ML jest wykorzystywane do tworzenia predykcji, pomocne jest monitorowanie szczegółów dotyczących jego działania. Dzięki monitorowaniu operacji w Qlik Predict można:

* Wyświetlać liczbę żądań, prognoz i niepowodzeń prognoz dla wdrożenia.

* Analizować zdarzenia predykcji według wyzwalacza (na przykład, ile z nich zostało początkowo wykonanych ręcznie, a ile zgodnie z harmonogramem).

* Wyświetlać szczegółowy dziennik pokazujący każde zdarzenie predykcji wraz z kluczowymi szczegółami.

Więcej informacji zawiera temat [Monitorowanie operacji wdrożonego modelu](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/monitor-model-operations.htm).