Мониторинг производительности и использования развернутых моделей

По мере того как развертывание машинного обучения используется для создания прогнозов, можно отслеживать производительность исходной модели, анализируя дрейф данных с течением времени. Можно просмотреть подробные сведения об использовании развертывания для прогнозирования, например, сколько раз было инициировано прогнозирование и какова доля неудачных прогнозов.

Мониторинг развернутых моделей и развертываний машинного обучения осуществляется с помощью встроенной аналитики.

Мониторинг дрейфа данных

Мониторинг дрейфа данных позволяет анализировать, как изменились входные данные для прогнозирования модели с течением времени, и как они отличаются от исходного набора данных для обучения. С помощью этих инструментов можно определить момент, когда пора переобучить или заменить модель по причине значительного дрейфа признаков.

Для получения дополнительной информации о мониторинге дрейфа данных в AutoML см. раздел Мониторинг дрейфа данных в развернутых моделях.

Для получения общей информации о дрейфе данных см. раздел Дрейф данных.

Мониторинг операций

По мере того как развертывание машинного обучения используется для создания прогнозов, полезно отслеживать сведения о его операциях. Мониторинг операций в AutoML позволяет выполнять следующие действия.

• Просматривайте количество запросов, прогнозов, неудачных прогнозов для развертывания.

• Анализируйте события прогнозирования по триггерам (например, сколько из них изначально инициировано вручную, а сколько по расписанию).

• Просматривайте подробный журнал, в котором отображается каждое событие прогнозирования вместе с ключевыми сведениями.

Для получения дополнительной информации см. раздел Мониторинг операций развернутой модели.