Övervakar distribuerade modellers prestation och användning

När du använder din ML-distribution för att generera prognoser kan du övervaka källmodellens prestanda genom att analysera datadrift över tid. Du kan visa detaljer om användning av distributionen för prognoser, t.ex. hur många prognoser som har triggats och graden av prognosmisslyckanden.

Övervakning av distribuerade modeller och ML-distributioner utförs med inbäddad analys.

Övervakning av dataavvikelse

Med övervakning av datadrift kan du analysera hur indata för modellförutsägelser har förändrats över tid och hur de skiljer sig från den ursprungliga träningsdatauppsättningen. Med hjälp av dessa verktyg kan du avgöra när din modell behöver tränas om eller bytas ut på grund av att funktionerna har förändrats.

Se Övervakning av datadrift i distribuerade datamodeller för mer information om datadriftsövervakning i AutoML.

För allmän information om datadrift, se Datadrift.

Övervakning av drift

Eftersom din ML-distribution används för att skapa prognoser är det bra att övervaka information om dess drift. Med driftövervakning i AutoML kan du:

• Visa antalet förfrågningar, prognoser och misslyckade prognoser för distributionen.

• Analysera prognoshändelser per trigger (t.ex. hur många som ursprungligen var manuella jämfört med enligt ett schema).

• Visa en detaljerad logg som visar varje prognoshändelse tillsammans med viktiga detaljer.

Mer information finns i Övervakning av distribuerad modelldrift.