# Monitorando o desempenho e o uso de modelos implementados

Ao usar sua implementação de ML para gerar previsões, você pode monitorar o desempenho do modelo de origem analisando o desvio de dados ao longo do tempo. Você também pode visualizar detalhes sobre o uso da implementação para previsões, como a forma como as previsões foram acionadas e a taxa de falha de previsão.

O monitoramento de modelos implementados e implementações de ML é realizado com análises incorporadas.

## Monitoramento de desvio de dados

Com o monitoramento de desvio de dados, você pode analisar como os dados de entrada para previsões de modelo mudaram ao longo do tempo e como eles diferem do conjunto de dados de treinamento original. Com essas ferramentas, você pode determinar o ponto em que seu modelo precisa ser treinado novamente ou substituído devido a um desvio significativo de recursos.

Para obter mais informações sobre o monitoramento de desvio de dados no Qlik Predict, consulte [Monitorando o desvio de dados em modelos implementados](https://help.qlik.com/pt-BR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/monitor-drift.htm).

Para obter informações gerais sobre desvio de dados, consulte [Desvio de dados](https://help.qlik.com/pt-BR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/data-drift.htm).

## Monitoramento de operações

Como sua implementação de ML é usada para criar previsões, é útil monitorar detalhes sobre suas operações. Com o monitoramento de operações no Qlik Predict, você pode:

* Ver o número de solicitações, previsões e falhas de previsão para a implementação.

* Analisar os eventos de previsão por acionador (por exemplo, quantos foram inicialmente manuais versus em uma programação).

* Ver um registro detalhado que mostra cada evento de previsão juntamente com os detalhes principais.

Para obter mais informações, consulte [Monitorando as operações de modelo implementado](https://help.qlik.com/pt-BR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/monitor-model-operations.htm).