Explicabilidade on-line com Clarify SageMaker

Este guia mostra como configurar a explicabilidade on-line com SageMaker o Clarify. Com os endpoints de inferência em tempo real de SageMaker IA, você pode analisar a explicabilidade em tempo real, continuamente. A função de explicabilidade on-line se encaixa na parte Deploy to production do fluxo de trabalho do Amazon SageMaker AI Machine Learning.

Como funciona a explicabilidade on-line do Clarify

O gráfico a seguir mostra a arquitetura de SageMaker IA para hospedar um endpoint que atende a solicitações de explicabilidade. Ele descreve as interações entre um endpoint, o contêiner do modelo e o explicador do SageMaker Clarify.

Veja como funciona a explicabilidade on-line do Clarify. O aplicativo envia uma InvokeEndpoint solicitação no estilo REST para o SageMaker AI Runtime Service. O serviço encaminha essa solicitação para um endpoint de SageMaker IA para obter previsões e explicações. Em seguida, o serviço recebe a resposta do endpoint. Por fim, o serviço envia a resposta de volta para a aplicação.

Para aumentar a disponibilidade do endpoint, a SageMaker IA tenta distribuir automaticamente as instâncias do endpoint em várias zonas de disponibilidade, de acordo com a contagem de instâncias na configuração do endpoint. Em uma instância de endpoint, após uma nova solicitação de explicabilidade, o explicador do SageMaker Clarify chama o contêiner do modelo para fazer previsões. Em seguida, ele calcula e retorna as atribuições do atributo.

Aqui estão as quatro etapas para criar um endpoint que usa a explicabilidade on-line do SageMaker Clarify:

1. Verifique se seu modelo de SageMaker IA pré-treinado é compatível com a explicabilidade on-line seguindo as etapas de pré-verificação.

2. Crie uma configuração de endpoint com a configuração SageMaker explicativa do Clarify usando a API. CreateEndpointConfig

3. Crie um endpoint e forneça a configuração do endpoint para a SageMaker IA usando a CreateEndpoint API. O serviço inicia a instância de cálculo de ML e implanta o modelo conforme especificado na configuração.

4. Invoque o endpoint: depois que o endpoint estiver em serviço, chame a API SageMaker AI Runtime InvokeEndpoint para enviar solicitações ao endpoint. O endpoint então retorna explicações e predições.