# 監控已部署模型的效能和使用情況

當您使用 ML 部署產生預測時，您可以分析隨時間變化的資料漂移，以監控來源模型的效能。您也可以檢視有關預測部署使用情況的詳細資訊，例如如何觸發預測以及預測失敗率。

透過內嵌分析來監控已部署的模型和 ML 部署。

## 資料漂移監控

透過資料漂移監控，您可以分析模型預測的輸入資料如何隨時間變化，以及這與原始訓練資料集有何不同。使用這些工具，您可以確定模型因顯著的特徵漂移而需要重新訓練或替換的重點。

如需更多關於 Qlik Predict 中資料漂移監控的資訊，請參閱 [監控已部署模型中的資料漂移](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/monitor-drift.htm)。

如需關於資料漂移的一般資訊，請參閱 [資料漂移](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/data-drift.htm)。

## 操作監控

由於您的 ML 部署用於建立預測，因此監控有關其操作的詳細資訊會很有幫助。透過 Qlik Predict 中的操作監控，您可以：

* 檢視部署的請求數量、預測數量、預測失敗數量。

* 按照觸發條件分析預測事件 (例如，最初是手動進行或按排程進行)。

* 檢視顯示每個預測事件以及關鍵詳細資訊的詳細記錄。

如需詳細資訊，請參閱[監控已部署的模型操作](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/monitor-model-operations.htm)。