Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Perbarui Detail Versi Model
Anda dapat melihat dan memperbarui detail versi model tertentu dengan menggunakan konsol Amazon SageMaker Studio AWS SDK untuk Python (Boto3) atau Amazon.
**penting**
Amazon SageMaker AI mengintegrasikan Kartu Model ke dalam Registri Model. Paket model yang terdaftar di Registry Model mencakup Kartu Model yang disederhanakan sebagai komponen dari paket model. Untuk informasi selengkapnya, lihat [Model paket skema kartu model (Studio)](#model-card-schema).
## Lihat dan Perbarui Detail Versi Model (Boto3)
Untuk melihat detail versi model dengan menggunakan Boto3, selesaikan langkah-langkah berikut.
1. Panggil operasi `list_model_packages` API untuk melihat versi model dalam Grup Model.
```
sm_client.list_model_packages(ModelPackageGroupName="ModelGroup1")
```
Responsnya adalah daftar ringkasan paket model. Anda bisa mendapatkan Nama Sumber Daya Amazon (ARN) dari versi model dari daftar ini.
```
{'ModelPackageSummaryList': [{'ModelPackageGroupName': 'AbaloneMPG-16039329888329896',
'ModelPackageVersion': 1,
'ModelPackageArn': 'arn:aws:sagemaker:us-east-2:123456789012:model-package/ModelGroup1/1',
'ModelPackageDescription': 'TestMe',
'CreationTime': datetime.datetime(2020, 10, 29, 1, 27, 46, 46000, tzinfo=tzlocal()),
'ModelPackageStatus': 'Completed',
'ModelApprovalStatus': 'Approved'}],
'ResponseMetadata': {'RequestId': '12345678-abcd-1234-abcd-aabbccddeeff',
'HTTPStatusCode': 200,
'HTTPHeaders': {'x-amzn-requestid': '12345678-abcd-1234-abcd-aabbccddeeff',
'content-type': 'application/x-amz-json-1.1',
'content-length': '349',
'date': 'Mon, 23 Nov 2020 04:56:50 GMT'},
'RetryAttempts': 0}}
```
1. Hubungi `describe_model_package` untuk melihat detail versi model. Anda meneruskan ARN dari versi model yang Anda dapatkan di output panggilan ke. `list_model_packages`
```
sm_client.describe_model_package(ModelPackageName="arn:aws:sagemaker:us-east-2:123456789012:model-package/ModelGroup1/1")
```
Output dari panggilan ini adalah objek JSON dengan detail versi model.
```
{'ModelPackageGroupName': 'ModelGroup1',
'ModelPackageVersion': 1,
'ModelPackageArn': 'arn:aws:sagemaker:us-east-2:123456789012:model-package/ModelGroup/1',
'ModelPackageDescription': 'Test Model',
'CreationTime': datetime.datetime(2020, 10, 29, 1, 27, 46, 46000, tzinfo=tzlocal()),
'InferenceSpecification': {'Containers': [{'Image': '257758044811.dkr.ecr.us-east-2.amazonaws.com/sagemaker-xgboost:1.0-1-cpu-py3',
'ImageDigest': 'sha256:99fa602cff19aee33297a5926f8497ca7bcd2a391b7d600300204eef803bca66',
'ModelDataUrl': 's3://sagemaker-us-east-2-123456789012/ModelGroup1/pipelines-0gdonccek7o9-AbaloneTrain-stmiylhtIR/output/model.tar.gz'}],
'SupportedTransformInstanceTypes': ['ml.m5.xlarge'],
'SupportedRealtimeInferenceInstanceTypes': ['ml.t2.medium', 'ml.m5.xlarge'],
'SupportedContentTypes': ['text/csv'],
'SupportedResponseMIMETypes': ['text/csv']},
'ModelPackageStatus': 'Completed',
'ModelPackageStatusDetails': {'ValidationStatuses': [],
'ImageScanStatuses': []},
'CertifyForMarketplace': False,
'ModelApprovalStatus': 'PendingManualApproval',
'LastModifiedTime': datetime.datetime(2020, 10, 29, 1, 28, 0, 438000, tzinfo=tzlocal()),
'ResponseMetadata': {'RequestId': '12345678-abcd-1234-abcd-aabbccddeeff',
'HTTPStatusCode': 200,
'HTTPHeaders': {'x-amzn-requestid': '212345678-abcd-1234-abcd-aabbccddeeff',
'content-type': 'application/x-amz-json-1.1',
'content-length': '1038',
'date': 'Mon, 23 Nov 2020 04:59:38 GMT'},
'RetryAttempts': 0}}
```
### Model paket skema kartu model (Studio)
Semua detail yang terkait dengan versi model dienkapsulasi dalam kartu model paket model. Kartu model paket model adalah penggunaan khusus Kartu SageMaker Model Amazon dan skemanya disederhanakan. Skema kartu model paket model ditunjukkan pada dropdown yang dapat diperluas berikut.
#### Model paket skema kartu model
```
{
"title": "SageMakerModelCardSchema",
"description": "Schema of a model package’s model card.",
"version": "0.1.0",
"type": "object",
"additionalProperties": false,
"properties": {
"model_overview": {
"description": "Overview about the model.",
"type": "object",
"additionalProperties": false,
"properties": {
"model_creator": {
"description": "Creator of model.",
"type": "string",
"maxLength": 1024
},
"model_artifact": {
"description": "Location of the model artifact.",
"type": "array",
"maxContains": 15,
"items": {
"type": "string",
"maxLength": 1024
}
}
}
},
"intended_uses": {
"description": "Intended usage of model.",
"type": "object",
"additionalProperties": false,
"properties": {
"purpose_of_model": {
"description": "Reason the model was developed.",
"type": "string",
"maxLength": 2048
},
"intended_uses": {
"description": "Intended use cases.",
"type": "string",
"maxLength": 2048
},
"factors_affecting_model_efficiency": {
"type": "string",
"maxLength": 2048
},
"risk_rating": {
"description": "Risk rating for model card.",
"$ref": "#/definitions/risk_rating"
},
"explanations_for_risk_rating": {
"type": "string",
"maxLength": 2048
}
}
},
"business_details": {
"description": "Business details of model.",
"type": "object",
"additionalProperties": false,
"properties": {
"business_problem": {
"description": "Business problem solved by the model.",
"type": "string",
"maxLength": 2048
},
"business_stakeholders": {
"description": "Business stakeholders.",
"type": "string",
"maxLength": 2048
},
"line_of_business": {
"type": "string",
"maxLength": 2048
}
}
},
"training_details": {
"description": "Overview about the training.",
"type": "object",
"additionalProperties": false,
"properties": {
"objective_function": {
"description": "The objective function for which the model is optimized.",
"function": {
"$ref": "#/definitions/objective_function"
},
"notes": {
"type": "string",
"maxLength": 1024
}
},
"training_observations": {
"type": "string",
"maxLength": 1024
},
"training_job_details": {
"type": "object",
"additionalProperties": false,
"properties": {
"training_arn": {
"description": "SageMaker Training job ARN.",
"type": "string",
"maxLength": 1024
},
"training_datasets": {
"description": "Location of the model datasets.",
"type": "array",
"maxContains": 15,
"items": {
"type": "string",
"maxLength": 1024
}
},
"training_environment": {
"type": "object",
"additionalProperties": false,
"properties": {
"container_image": {
"description": "SageMaker training image URI.",
"type": "array",
"maxContains": 15,
"items": {
"type": "string",
"maxLength": 1024
}
}
}
},
"training_metrics": {
"type": "array",
"items": {
"maxItems": 50,
"$ref": "#/definitions/training_metric"
}
},
"user_provided_training_metrics": {
"type": "array",
"items": {
"maxItems": 50,
"$ref": "#/definitions/training_metric"
}
},
"hyper_parameters": {
"type": "array",
"items": {
"maxItems": 100,
"$ref": "#/definitions/training_hyper_parameter"
}
},
"user_provided_hyper_parameters": {
"type": "array",
"items": {
"maxItems": 100,
"$ref": "#/definitions/training_hyper_parameter"
}
}
}
}
}
},
"evaluation_details": {
"type": "array",
"default": [],
"items": {
"type": "object",
"required": [
"name"
],
"additionalProperties": false,
"properties": {
"name": {
"type": "string",
"pattern": ".{1,63}"
},
"evaluation_observation": {
"type": "string",
"maxLength": 2096
},
"evaluation_job_arn": {
"type": "string",
"maxLength": 256
},
"datasets": {
"type": "array",
"items": {
"type": "string",
"maxLength": 1024
},
"maxItems": 10
},
"metadata": {
"description": "Additional attributes associated with the evaluation results.",
"type": "object",
"additionalProperties": {
"type": "string",
"maxLength": 1024
}
},
"metric_groups": {
"type": "array",
"default": [],
"items": {
"type": "object",
"required": [
"name",
"metric_data"
],
"properties": {
"name": {
"type": "string",
"pattern": ".{1,63}"
},
"metric_data": {
"type": "array",
"items": {
"anyOf": [
{
"$ref": "#/definitions/simple_metric"
},
{
"$ref": "#/definitions/linear_graph_metric"
},
{
"$ref": "#/definitions/bar_chart_metric"
},
{
"$ref": "#/definitions/matrix_metric"
}
]
}
}
}
}
}
}
}
},
"additional_information": {
"additionalProperties": false,
"type": "object",
"properties": {
"ethical_considerations": {
"description": "Ethical considerations for model users.",
"type": "string",
"maxLength": 2048
},
"caveats_and_recommendations": {
"description": "Caveats and recommendations for model users.",
"type": "string",
"maxLength": 2048
},
"custom_details": {
"type": "object",
"additionalProperties": {
"$ref": "#/definitions/custom_property"
}
}
}
}
},
"definitions": {
"source_algorithms": {
"type": "array",
"minContains": 1,
"maxContains": 1,
"items": {
"type": "object",
"additionalProperties": false,
"required": [
"algorithm_name"
],
"properties": {
"algorithm_name": {
"description": "The name of the algorithm used to create the model package. The algorithm must be either an algorithm resource in your SageMaker AI account or an algorithm in AWS Marketplace that you are subscribed to.",
"type": "string",
"maxLength": 170
},
"model_data_url": {
"description": "Amazon S3 path where the model artifacts, which result from model training, are stored.",
"type": "string",
"maxLength": 1024
}
}
}
},
"inference_specification": {
"type": "object",
"additionalProperties": false,
"required": [
"containers"
],
"properties": {
"containers": {
"description": "Contains inference related information used to create model package.",
"type": "array",
"minContains": 1,
"maxContains": 15,
"items": {
"type": "object",
"additionalProperties": false,
"required": [
"image"
],
"properties": {
"model_data_url": {
"description": "Amazon S3 path where the model artifacts, which result from model training, are stored.",
"type": "string",
"maxLength": 1024
},
"image": {
"description": "Inference environment path. The Amazon Elastic Container Registry (Amazon ECR) path where inference code is stored.",
"type": "string",
"maxLength": 255
},
"nearest_model_name": {
"description": "The name of a pre-trained machine learning benchmarked by an Amazon SageMaker Inference Recommender model that matches your model.",
"type": "string"
}
}
}
}
}
},
"risk_rating": {
"description": "Risk rating of model.",
"type": "string",
"enum": [
"High",
"Medium",
"Low",
"Unknown"
]
},
"custom_property": {
"description": "Additional property.",
"type": "string",
"maxLength": 1024
},
"objective_function": {
"description": "Objective function for which the training job is optimized.",
"additionalProperties": false,
"properties": {
"function": {
"type": "string",
"enum": [
"Maximize",
"Minimize"
]
},
"facet": {
"type": "string",
"maxLength": 63
},
"condition": {
"type": "string",
"maxLength": 63
}
}
},
"training_metric": {
"description": "Training metric data.",
"type": "object",
"required": [
"name",
"value"
],
"additionalProperties": false,
"properties": {
"name": {
"type": "string",
"pattern": ".{1,255}"
},
"notes": {
"type": "string",
"maxLength": 1024
},
"value": {
"type": "number"
}
}
},
"training_hyper_parameter": {
"description": "Training hyperparameter.",
"type": "object",
"required": [
"name",
"value"
],
"additionalProperties": false,
"properties": {
"name": {
"type": "string",
"pattern": ".{1,255}"
},
"value": {
"type": "string",
"pattern": ".{1,255}"
}
}
},
"linear_graph_metric": {
"type": "object",
"required": [
"name",
"type",
"value"
],
"additionalProperties": false,
"properties": {
"name": {
"type": "string",
"pattern": ".{1,255}"
},
"notes": {
"type": "string",
"maxLength": 1024
},
"type": {
"type": "string",
"enum": [
"linear_graph"
]
},
"value": {
"anyOf": [
{
"type": "array",
"items": {
"type": "array",
"items": {
"type": "number"
},
"minItems": 2,
"maxItems": 2
},
"minItems": 1
}
]
},
"x_axis_name": {
"$ref": "#/definitions/axis_name_string"
},
"y_axis_name": {
"$ref": "#/definitions/axis_name_string"
}
}
},
"bar_chart_metric": {
"type": "object",
"required": [
"name",
"type",
"value"
],
"additionalProperties": false,
"properties": {
"name": {
"type": "string",
"pattern": ".{1,255}"
},
"notes": {
"type": "string",
"maxLength": 1024
},
"type": {
"type": "string",
"enum": [
"bar_chart"
]
},
"value": {
"anyOf": [
{
"type": "array",
"items": {
"type": "number"
},
"minItems": 1
}
]
},
"x_axis_name": {
"$ref": "#/definitions/axis_name_array"
},
"y_axis_name": {
"$ref": "#/definitions/axis_name_string"
}
}
},
"matrix_metric": {
"type": "object",
"required": [
"name",
"type",
"value"
],
"additionalProperties": false,
"properties": {
"name": {
"type": "string",
"pattern": ".{1,255}"
},
"notes": {
"type": "string",
"maxLength": 1024
},
"type": {
"type": "string",
"enum": [
"matrix"
]
},
"value": {
"anyOf": [
{
"type": "array",
"items": {
"type": "array",
"items": {
"type": "number"
},
"minItems": 1,
"maxItems": 20
},
"minItems": 1,
"maxItems": 20
}
]
},
"x_axis_name": {
"$ref": "#/definitions/axis_name_array"
},
"y_axis_name": {
"$ref": "#/definitions/axis_name_array"
}
}
},
"simple_metric": {
"description": "Metric data.",
"type": "object",
"required": [
"name",
"type",
"value"
],
"additionalProperties": false,
"properties": {
"name": {
"type": "string",
"pattern": ".{1,255}"
},
"notes": {
"type": "string",
"maxLength": 1024
},
"type": {
"type": "string",
"enum": [
"number",
"string",
"boolean"
]
},
"value": {
"anyOf": [
{
"type": "number"
},
{
"type": "string",
"maxLength": 63
},
{
"type": "boolean"
}
]
},
"x_axis_name": {
"$ref": "#/definitions/axis_name_string"
},
"y_axis_name": {
"$ref": "#/definitions/axis_name_string"
}
}
},
"axis_name_array": {
"type": "array",
"items": {
"type": "string",
"maxLength": 63
}
},
"axis_name_string": {
"type": "string",
"maxLength": 63
}
}
}
```
## Lihat dan Perbarui Detail Versi Model (Studio atau Studio Klasik)
Untuk melihat dan memperbarui detail versi model, selesaikan langkah-langkah berikut berdasarkan apakah Anda menggunakan Studio atau Studio Classic. Di Studio Classic, Anda dapat memperbarui status persetujuan untuk versi model. Lihat perinciannya di [Memperbarui Status Persetujuan Model](model-registry-approve.md). Di Studio, di sisi lain, SageMaker AI membuat kartu model untuk paket model, dan UI versi model menyediakan opsi untuk memperbarui detail di kartu model.
------
#### [ Studio ]
1. Buka konsol SageMaker Studio dengan mengikuti petunjuk di [Luncurkan Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html).
1. Di panel navigasi kiri, pilih **Model** dari menu.
1. Pilih tab **Model terdaftar**, jika belum dipilih.
1. Tepat di bawah label tab **Model terdaftar**, pilih **Grup Model**, jika belum dipilih.
1. Pilih nama grup model yang berisi versi model yang akan dilihat.
1. Dalam daftar versi model, pilih versi model yang akan dilihat.
1. Pilih salah satu tab berikut.
+ **Pelatihan**: Untuk melihat atau mengedit detail yang terkait dengan pekerjaan pelatihan Anda, termasuk metrik kinerja, artefak, peran dan enkripsi IAM, dan kontainer. Untuk informasi selengkapnya, lihat [Tambahkan pekerjaan pelatihan (Studio)](model-registry-details-studio-training.md).
+ **Mengevaluasi**: Untuk melihat atau mengedit detail yang terkait dengan pekerjaan pelatihan Anda, seperti metrik kinerja, kumpulan data evaluasi, dan keamanan. Untuk informasi selengkapnya, lihat [Tambahkan pekerjaan evaluasi (Studio)](model-registry-details-studio-evaluate.md).
+ **Audit**: Untuk melihat atau mengedit detail tingkat tinggi yang terkait dengan tujuan bisnis model, penggunaan, risiko, dan detail teknis seperti algoritme dan batasan kinerja. Untuk informasi selengkapnya, lihat [Perbarui informasi audit (tata kelola) (Studio)](model-registry-details-studio-audit.md).
+ **Deploy**: Untuk melihat atau mengedit lokasi wadah gambar inferensi Anda dan instance yang menyusun titik akhir. Untuk informasi selengkapnya, lihat [Perbarui informasi penyebaran (Studio)](model-registry-details-studio-deploy.md).
------
#### [ Studio Classic ]
1. Masuk ke Amazon SageMaker Studio Classic. Untuk informasi selengkapnya, lihat [Meluncurkan Amazon SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launch.html).
1. Di panel navigasi kiri, pilih ikon **Beranda** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/studio/icons/house.png)).
1. Pilih **Model**, dan kemudian **registri Model**.
1. Dari daftar grup model, pilih nama Grup Model yang ingin Anda lihat.
1. Tab baru muncul dengan daftar versi model di Grup Model.
1. Dalam daftar versi model, pilih nama versi model yang ingin Anda lihat detailnya.
1. Pada tab versi model yang terbuka, pilih salah satu dari berikut ini untuk melihat detail tentang versi model:
+ **Aktivitas**: Menampilkan peristiwa untuk versi model, seperti pembaruan status persetujuan.
+ **Kualitas model**: Melaporkan metrik yang terkait dengan pemeriksaan kualitas model Model Monitor Anda, yang membandingkan prediksi model dengan Ground Truth. Untuk informasi selengkapnya tentang pemeriksaan kualitas model Model Monitor, lihat[Kualitas model](model-monitor-model-quality.md).
+ **Keterjelasan**: Melaporkan metrik yang terkait dengan pemeriksaan atribusi fitur Monitor Model Anda, yang membandingkan peringkat relatif fitur Anda dalam data pelatihan versus data langsung. Untuk informasi selengkapnya tentang pemeriksaan penjelasan Model Monitor, lihat. [Penyimpangan atribusi fitur untuk model dalam produksi](clarify-model-monitor-feature-attribution-drift.md)
+ **Bias**: Melaporkan metrik yang terkait dengan pemeriksaan penyimpangan bias Monitor Model Anda, yang membandingkan distribusi data langsung dengan data pelatihan. Untuk informasi lebih lanjut tentang pemeriksaan penyimpangan bias Model Monitor, lihat[Bias drift untuk model dalam produksi](clarify-model-monitor-bias-drift.md).
+ **Rekomendasi inferensi:** Memberikan rekomendasi instans awal untuk kinerja optimal berdasarkan model dan muatan sampel Anda.
+ **Uji beban**: Menjalankan uji beban di seluruh pilihan jenis instans saat Anda memberikan persyaratan produksi spesifik, seperti batasan latensi dan throughput.
+ **Spesifikasi inferensi**: Menampilkan jenis instans untuk inferensi real-time Anda dan mengubah pekerjaan, serta informasi tentang container Amazon ECR Anda.
+ **Informasi**: Menampilkan informasi seperti proyek yang terkait dengan versi model, pipeline yang menghasilkan model, Grup Model, dan lokasi model di Amazon S3.
------
# Tambahkan pekerjaan pelatihan (Studio)
**penting**
Pada 30 November 2023, pengalaman Amazon SageMaker Studio sebelumnya sekarang bernama Amazon SageMaker Studio Classic. Bagian berikut khusus untuk menggunakan pengalaman Studio yang diperbarui. Untuk informasi tentang menggunakan aplikasi Studio Classic, lihat[Amazon SageMaker Studio Klasik](studio.md).
Anda dapat menambahkan satu pekerjaan pelatihan, dibuat secara eksternal atau dengan SageMaker AI, ke model Anda. **Jika Anda menambahkan pekerjaan SageMaker pelatihan, SageMaker AI akan mengisi bidang untuk semua subhalaman di tab Train.** Jika Anda menambahkan pekerjaan pelatihan yang dibuat secara eksternal, Anda perlu menambahkan detail yang terkait dengan pekerjaan pelatihan Anda secara manual.
**Untuk menambahkan pekerjaan pelatihan ke paket model Anda, selesaikan langkah-langkah berikut.**
1. Pilih tab **Kereta**.
1. Pilih **Tambahkan**. Jika Anda tidak melihat opsi ini, Anda mungkin sudah memiliki pekerjaan pelatihan. Jika Anda ingin menghapus pekerjaan pelatihan ini, lengkapi instruksi berikut untuk menghapus pekerjaan pelatihan.
1. Anda dapat menambahkan pekerjaan pelatihan yang Anda buat di SageMaker AI atau pekerjaan pelatihan yang Anda buat secara eksternal.
1. Untuk menambahkan pekerjaan pelatihan yang Anda buat di SageMaker AI, selesaikan langkah-langkah berikut.
1. Pilih **SageMaker AI**.
1. Pilih kotak radio di sebelah pekerjaan pelatihan yang ingin Anda tambahkan.
1. Pilih **Tambahkan**.
1. Untuk menambahkan pekerjaan pelatihan yang Anda buat secara eksternal, selesaikan langkah-langkah berikut.
1. Memilih **Kustom**.
1. Di bidang **Nama**, masukkan nama pekerjaan pelatihan khusus Anda.
1. Pilih **Tambahkan**.
# Hapus pekerjaan pelatihan (Studio)
Anda dapat menghapus pekerjaan pelatihan, dibuat secara eksternal atau dengan SageMaker AI, dari model Anda dengan menyelesaikan langkah-langkah berikut.
**Untuk menghapus pekerjaan pelatihan dari paket model Anda, selesaikan langkah-langkah berikut.**
1. Pilih **Kereta**.
1. Pilih ikon **Gear** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/icons/Settings_squid.png)) di bawah tab **Train**.
1. Pilih **Hapus** di sebelah pekerjaan pelatihan Anda.
1. Pilih **Ya, saya ingin menghapus**.
1. Pilih **Selesai**.
# Perbarui detail pekerjaan pelatihan (Studio)
Selesaikan langkah-langkah berikut untuk memperbarui detail pekerjaan pelatihan, yang dibuat secara eksternal atau dengan SageMaker AI, yang terkait dengan model Anda.
**Untuk memperbarui (dan melihat) detail yang terkait dengan pekerjaan pelatihan:**
1. Pada tab **Kereta**, lihat status pekerjaan pelatihan. Statusnya adalah `Complete` jika Anda menambahkan pekerjaan pelatihan ke paket model Anda dan `Undefined` jika tidak.
1. Untuk melihat detail yang terkait dengan pekerjaan pelatihan Anda seperti kinerja, hiperparameter, dan detail identifikasi, pilih tab **Kereta**.
1. Untuk memperbarui dan melihat detail yang terkait dengan kinerja model, selesaikan langkah-langkah berikut.
1. Pilih **Kinerja** di bilah sisi kiri tab **Kereta**.
1. Lihat **Metrik** yang terkait dengan pekerjaan pelatihan Anda. Halaman **Kinerja** mencantumkan metrik berdasarkan nama, nilai, dan catatan apa pun yang Anda tambahkan terkait dengan metrik.
1. (Opsional) Untuk menambahkan catatan ke metrik yang ada, selesaikan langkah-langkah berikut.
1. **Pilih elipsis vertikal di sudut kanan atas halaman versi model, dan pilih Edit.**
1. Tambahkan catatan ke salah satu metrik yang terdaftar.
1. Di bagian atas halaman versi model, pilih **Simpan** di **Versi Model Pengeditan...** spanduk.
1. Lihat **Metrik Kustom** yang terkait dengan pekerjaan pelatihan Anda. Metrik khusus diformat mirip dengan metrik.
1. (Opsional) Untuk menambahkan metrik khusus, selesaikan langkah-langkah berikut.
1. Pilih **Tambahkan**.
1. Masukkan nama, nilai, dan catatan opsional apa pun untuk metrik baru Anda.
1. (Opsional) Untuk menghapus metrik kustom, pilih ikon **Sampah** di sebelah metrik yang ingin Anda hapus.
1. Di kotak teks **Observasi**, lihat catatan apa pun yang Anda tambahkan terkait dengan kinerja pekerjaan pelatihan Anda.
1. (Opsional) Untuk menambah atau memperbarui pengamatan, selesaikan langkah-langkah berikut.
1. **Pilih elipsis vertikal di sudut kanan atas halaman versi model, dan pilih Edit.**
1. Tambahkan atau perbarui catatan Anda di kotak teks **Observasi**.
1. Di bagian atas halaman versi model, pilih **Simpan** di **Versi Model Pengeditan...** spanduk.
1. Untuk memperbarui dan melihat detail yang terkait dengan artefak model, selesaikan langkah-langkah berikut.
1. Pilih **Artefak** di bilah sisi kiri tab **Kereta**.
1. Di bidang **Lokasi (URI S3)**, lihat lokasi Amazon S3 dari kumpulan data pelatihan Anda.
1. Di bidang **Model**, lihat nama dan lokasi Amazon S3 artefak model dari model lain yang Anda sertakan dalam pekerjaan pelatihan.
1. Untuk memperbarui salah satu bidang di halaman **Artefak**, selesaikan langkah-langkah berikut.
1. **Pilih elipsis vertikal di kanan atas halaman versi model, dan pilih Edit.**
1. Masukkan nilai baru di salah satu bidang.
1. Di bagian atas halaman versi model, pilih **Simpan** di **Versi Model Pengeditan...** spanduk.
1. Untuk memperbarui dan melihat detail yang terkait dengan hyperparameters, selesaikan langkah-langkah berikut.
1. Pilih **Hyperparameters** di sidebar kiri tab **Train**.
1. Lihat SageMaker AI yang disediakan dan hyperparameter khusus yang ditentukan. Setiap hyperparameter terdaftar dengan nama dan nilainya.
1. Lihat hyperparameters kustom yang Anda tambahkan.
1. (Opsional) Untuk menambahkan hyperparameter kustom tambahan, selesaikan langkah-langkah berikut.
1. Di atas sudut kanan atas tabel **Custom Hyperparameters**, pilih **Add**. Sepasang bidang kosong baru muncul.
1. Masukkan nama dan nilai hyperparameter kustom baru. Nilai-nilai ini disimpan secara otomatis.
1. (Opsional) Untuk menghapus hyperparameter kustom, pilih ikon **Sampah** di sebelah kanan hyperparameter.
1. Untuk memperbarui dan melihat detail yang terkait dengan lingkungan kerja pelatihan, selesaikan langkah-langkah berikut.
1. Pilih **Lingkungan** di bilah sisi kiri tab **Kereta**.
1. Lihat lokasi Amazon ECR URI untuk setiap wadah pekerjaan pelatihan yang ditambahkan oleh SageMaker AI (untuk pekerjaan SageMaker pelatihan) atau oleh Anda (untuk pekerjaan pelatihan khusus).
1. (Opsional) Untuk menambahkan wadah pekerjaan pelatihan tambahan, pilih **Tambah**, lalu masukkan URI wadah pelatihan baru.
1. Untuk memperbarui dan melihat nama pekerjaan pelatihan dan Nama Sumber Daya Amazon (ARN) untuk pekerjaan pelatihan, selesaikan langkah-langkah berikut.
1. Pilih **Detail** di bilah sisi kiri tab **Kereta**.
1. Lihat nama pekerjaan pelatihan dan ARN dari pekerjaan pelatihan.
# Tambahkan pekerjaan evaluasi (Studio)
**penting**
Pada 30 November 2023, pengalaman Amazon SageMaker Studio sebelumnya sekarang bernama Amazon SageMaker Studio Classic. Bagian berikut khusus untuk menggunakan pengalaman Studio yang diperbarui. Untuk informasi tentang menggunakan aplikasi Studio Classic, lihat[Amazon SageMaker Studio Klasik](studio.md).
Setelah mendaftarkan model, Anda dapat menguji model Anda dengan satu atau lebih kumpulan data untuk menilai kinerjanya. Anda dapat menambahkan satu atau lebih pekerjaan evaluasi dari Amazon S3 atau menentukan pekerjaan evaluasi Anda sendiri dengan memasukkan semua detail secara manual. **Jika Anda menambahkan pekerjaan dari Amazon S3, SageMaker AI akan mengisi bidang untuk semua subhalaman di tab Evaluasi.** Jika Anda menentukan pekerjaan evaluasi Anda sendiri, Anda perlu menambahkan detail yang terkait dengan pekerjaan evaluasi Anda secara manual.
**Untuk menambahkan pekerjaan evaluasi pertama Anda ke paket model Anda, selesaikan langkah-langkah berikut.**
1. Pilih tab **Evaluasi**.
1. Pilih **Tambahkan**.
1. Anda dapat menambahkan pekerjaan evaluasi dari Amazon S3 atau pekerjaan evaluasi khusus.
1. Untuk menambahkan pekerjaan evaluasi dengan jaminan dari Amazon S3, selesaikan langkah-langkah berikut.
1. Pilih **S3**.
1. Masukkan nama untuk pekerjaan evaluasi.
1. Masukkan lokasi Amazon S3 ke agunan keluaran pekerjaan evaluasi Anda.
1. Pilih **Tambahkan**.
1. Untuk menambahkan pekerjaan evaluasi khusus, selesaikan langkah berikut:
1. Memilih **Kustom**.
1. Masukkan nama untuk pekerjaan evaluasi.
1. Pilih **Tambahkan**.
**Untuk menambahkan pekerjaan evaluasi tambahan ke paket model Anda, selesaikan langkah-langkah berikut.**
1. Pilih tab **Evaluasi**.
1. Pilih ikon **Gear** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/icons/Settings_squid.png)) di bawah tab **Train**.
1. Di kotak dialog, pilih **Tambah**.
1. Anda dapat menambahkan pekerjaan evaluasi dari Amazon S3 atau pekerjaan evaluasi khusus.
1. Untuk menambahkan pekerjaan evaluasi dengan jaminan dari Amazon S3, selesaikan langkah-langkah berikut.
1. Pilih **S3**.
1. Masukkan nama untuk pekerjaan evaluasi.
1. Masukkan lokasi Amazon S3 ke agunan keluaran pekerjaan evaluasi Anda.
1. Pilih **Tambahkan**.
1. Untuk menambahkan pekerjaan evaluasi khusus, selesaikan langkah berikut:
1. Memilih **Kustom**.
1. Masukkan nama untuk pekerjaan evaluasi.
1. Pilih **Tambahkan**.
# Hapus pekerjaan evaluasi (Studio)
Anda dapat menghapus pekerjaan evaluasi, dibuat secara eksternal atau dengan SageMaker AI, dari model Anda dengan menyelesaikan langkah-langkah berikut.
**Untuk menghapus pekerjaan evaluasi dari paket model Anda, selesaikan langkah-langkah berikut.**
1. Pilih tab **Evaluasi**.
1. Pilih ikon **Gear** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/icons/Settings_squid.png)) di bawah tab **Train**.
1. (Opsional) Untuk menemukan pekerjaan evaluasi Anda dari daftar, masukkan istilah pencarian di kotak pencarian untuk mempersempit daftar pilihan.
1. Pilih tombol radio di sebelah pekerjaan evaluasi Anda.
1. Pilih **Hapus**.
1. Pilih **Ya, saya ingin menghapus**.
1. Pilih **Selesai**.
# Perbarui pekerjaan evaluasi (Studio)
Selesaikan langkah-langkah berikut untuk memperbarui detail pekerjaan evaluasi, yang dibuat secara eksternal atau dengan SageMaker AI, yang terkait dengan model Anda.
**Untuk memperbarui (dan melihat) detail yang terkait dengan pekerjaan evaluasi:**
1. Pada tab **Evaluasi**, lihat status pekerjaan evaluasi. Statusnya adalah `Complete` jika Anda menambahkan pekerjaan evaluasi ke paket model Anda dan `Undefined` jika tidak.
1. Untuk melihat detail yang terkait dengan pekerjaan evaluasi Anda, seperti kinerja dan lokasi artefak, pilih tab **Evaluasi**.
1. Untuk memperbarui dan melihat detail yang terkait dengan kinerja model selama evaluasi, selesaikan langkah-langkah berikut.
1. Pilih **Kinerja** di bilah sisi tab **Evaluasi**.
1. Lihat metrik yang terkait dengan pekerjaan evaluasi Anda dalam daftar **Metrik**. Daftar **Metrik** menampilkan metrik individual berdasarkan nama, nilai, dan catatan apa pun yang Anda tambahkan terkait dengan metrik.
1. Di kotak teks **Observasi**, lihat catatan apa pun yang Anda tambahkan terkait dengan kinerja pekerjaan evaluasi Anda.
1. Untuk memperbarui salah satu bidang **Catatan** untuk metrik atau bidang **Observasi** apa pun, selesaikan langkah-langkah berikut.
1. **Pilih elipsis vertikal di kanan atas halaman versi model, dan pilih Edit.**
1. Masukkan catatan untuk metrik apa pun atau di kotak teks **Pengamatan**.
1. Di bagian atas halaman versi model, pilih **Simpan** di **Versi Model Pengeditan...** spanduk.
1. Untuk memperbarui dan melihat detail yang terkait dengan kumpulan data pekerjaan evaluasi Anda, selesaikan langkah-langkah berikut.
1. Pilih **Artefak** di bilah sisi kiri halaman **Evaluasi**.
1. Lihat kumpulan data yang digunakan dalam pekerjaan evaluasi Anda.
1. (Opsional) Untuk menambahkan kumpulan data, pilih **Tambah** dan masukkan URI Amazon S3 ke kumpulan data.
1. (Opsional) Untuk menghapus kumpulan data, pilih ikon **Sampah** di sebelah kumpulan data yang ingin Anda hapus.
1. **Untuk melihat nama pekerjaan dan pekerjaan evaluasi ARN, pilih Detail.**
# Perbarui informasi audit (tata kelola) (Studio)
**penting**
Pada 30 November 2023, pengalaman Amazon SageMaker Studio sebelumnya sekarang bernama Amazon SageMaker Studio Classic. Bagian berikut khusus untuk menggunakan pengalaman Studio yang diperbarui. Untuk informasi tentang menggunakan aplikasi Studio Classic, lihat[Amazon SageMaker Studio Klasik](studio.md).
Dokumentasikan detail model penting untuk membantu organisasi Anda membangun kerangka kerja tata kelola model yang kuat. Anda dan anggota tim Anda dapat mereferensikan detail ini sehingga mereka menggunakan model untuk kasus penggunaan yang sesuai, mengetahui domain bisnis dan pemilik model, dan memahami risiko model. Anda juga dapat menyimpan detail tentang kinerja model dan alasan keterbatasan kinerja.
**Untuk melihat atau memperbarui detail yang terkait dengan tata kelola model, selesaikan langkah-langkah berikut.**
1. Pada tab **Audit**, lihat status persetujuan kartu model. Statusnya bisa menjadi salah satu berikut:
+ **Draf**: Kartu model masih berupa konsep.
+ **Persetujuan yang tertunda**: Kartu model sedang menunggu untuk disetujui.
+ **Disetujui**: Kartu model disetujui.
1. Untuk memperbarui status persetujuan kartu model, pilih menu pulldown di sebelah status persetujuan dan pilih status persetujuan yang diperbarui.
1. Untuk memperbarui dan melihat detail terkait risiko paket model Anda, selesaikan langkah-langkah berikut.
1. Pilih **Risiko** di bilah sisi kiri tab **Audit**.
1. Lihat peringkat risiko saat ini dan penjelasan untuk peringkat risiko.
1. Untuk memperbarui peringkat atau penjelasan, lengkapi langkah-langkah berikut.
1. **Pilih elipsis vertikal di sudut kanan atas halaman **Audit**, dan pilih Edit.**
1. (Opsional) Pilih peringkat risiko yang diperbarui.
1. (Opsional) Perbarui penjelasan peringkat risiko.
1. Di bagian atas halaman versi model, pilih **Simpan** di **Versi Model Pengeditan...** spanduk.
1. Untuk memperbarui dan melihat detail yang terkait dengan penggunaan paket model Anda, selesaikan langkah-langkah berikut.
1. Pilih **Penggunaan** di bilah sisi kiri tab **Audit**.
1. Lihat teks yang Anda tambahkan di bidang berikut:
+ **Jenis masalah**: Kategori algoritma pembelajaran mesin yang digunakan untuk membangun model Anda.
+ **Jenis algoritma**: Algoritma spesifik yang digunakan untuk membuat model Anda.
+ **Penggunaan yang dimaksudkan**: Penerapan model saat ini dalam masalah bisnis Anda.
+ **Faktor-faktor yang mempengaruhi kemanjuran model**: Catatan tentang keterbatasan kinerja model Anda.
+ **Penggunaan yang disarankan**: Jenis aplikasi yang dapat Anda buat dengan model, skenario di mana Anda dapat mengharapkan kinerja yang wajar, atau jenis data yang akan digunakan dengan model.
+ **Pertimbangan etis**: Deskripsi tentang bagaimana model Anda dapat melakukan diskriminasi berdasarkan faktor-faktor seperti usia atau jenis kelamin.
1. Untuk memperbarui salah satu bidang yang terdaftar sebelumnya, selesaikan langkah-langkah berikut.
1. **Pilih elipsis vertikal di sudut kanan atas halaman versi model, dan pilih Edit.**
1. (Opsional) Gunakan menu tarik-turun untuk **tipe Masalah dan tipe** **Algoritma** untuk memilih nilai baru, jika diperlukan.
1. (Opsional) Perbarui deskripsi teks di bidang yang tersisa.
1. Di bagian atas halaman versi model, pilih **Simpan** di **Versi Model Pengeditan...** spanduk.
1. Untuk memperbarui dan melihat detail yang terkait dengan pemangku kepentingan paket model Anda, selesaikan langkah-langkah berikut.
1. Pilih **Pemangku Kepentingan** di bilah sisi kiri tab **Audit**.
1. Lihat pemilik dan pembuat model saat ini, jika ada.
1. Untuk memperbarui pemilik model atau pembuat, selesaikan langkah-langkah berikut:
1. **Pilih elipsis vertikal di sudut kanan atas halaman versi model, dan pilih Edit.**
1. Perbarui bidang pemilik model atau pembuat model.
1. Di bagian atas halaman versi model, pilih **Simpan** di **Versi Model Pengeditan...** spanduk.
1. Untuk memperbarui dan melihat detail yang terkait dengan masalah bisnis yang ditangani paket model Anda, selesaikan langkah-langkah berikut.
1. Pilih **Bisnis** di bilah sisi kiri tab **Audit**.
1. Lihat deskripsi saat ini, jika ada, untuk masalah bisnis yang ditangani model, pemangku kepentingan masalah bisnis, dan lini bisnis.
1. Untuk memperbarui salah satu bidang di tab **Bisnis**, selesaikan langkah-langkah berikut.
1. **Pilih elipsis vertikal di sudut kanan atas halaman versi model, dan pilih Edit.**
1. Perbarui deskripsi di salah satu bidang.
1. Di bagian atas halaman versi model, pilih **Simpan** di **Versi Model Pengeditan...** spanduk.
1. Untuk memperbarui dan melihat dokumentasi yang ada (direpresentasikan sebagai pasangan nilai kunci) untuk model Anda, selesaikan langkah-langkah berikut.
1. Pilih **Dokumentasi** di sidebar kiri halaman **Audit**.
1. Lihat pasangan kunci-nilai yang ada.
1. Untuk menambahkan pasangan kunci-nilai, selesaikan langkah-langkah berikut.
1. **Pilih elipsis vertikal di sudut kanan atas halaman versi model, dan pilih Edit.**
1. Pilih **Tambahkan**.
1. Masukkan kunci baru dan nilai terkait.
1. Di bagian atas halaman versi model, pilih **Simpan** di **Versi Model Pengeditan...** spanduk.
1. Untuk menghapus pasangan kunci-nilai, selesaikan langkah-langkah berikut.
1. **Pilih elipsis vertikal di sudut kanan atas halaman versi model, dan pilih Edit.**
1. Pilih ikon **Sampah** di sebelah pasangan kunci-nilai untuk dihapus.
1. Di bagian atas halaman versi model, pilih **Simpan** di **Versi Model Pengeditan...** spanduk.
# Perbarui informasi penyebaran (Studio)
**penting**
Pada 30 November 2023, pengalaman Amazon SageMaker Studio sebelumnya sekarang bernama Amazon SageMaker Studio Classic. Bagian berikut khusus untuk menggunakan pengalaman Studio yang diperbarui. Untuk informasi tentang menggunakan aplikasi Studio Classic, lihat[Amazon SageMaker Studio Klasik](studio.md).
Setelah mengevaluasi kinerja model dan menentukan bahwa model siap digunakan untuk beban kerja produksi, Anda dapat mengubah status persetujuan model untuk memulai penerapan CI/CD . Untuk selengkapnya tentang definisi status persetujuan, lihat[Memperbarui Status Persetujuan Model](model-registry-approve.md).
**Untuk melihat atau memperbarui detail yang terkait dengan penerapan paket model, selesaikan langkah-langkah berikut.**
1. Pada tab **Deploy**, lihat status persetujuan paket model. Nilai yang mungkin dapat berupa sebagai berikut:
+ **Persetujuan Tertunda**: Model terdaftar tetapi belum disetujui atau ditolak untuk penerapan.
+ **Disetujui**: Model ini disetujui untuk penyebaran CI/CD. Jika ada EventBridge aturan yang memulai penerapan model pada acara persetujuan model, seperti halnya untuk model yang dibangun dari templat proyek SageMaker AI, SageMaker AI juga menerapkan model tersebut.
+ **Ditolak**: Model ditolak untuk penerapan.
Jika Anda perlu mengubah status persetujuan, pilih menu tarik-turun di sebelah status dan pilih status yang diperbarui.
1. Untuk memperbarui status persetujuan paket model, pilih menu tarik-turun di sebelah status persetujuan dan pilih status persetujuan yang diperbarui.
1. Dalam daftar **Containers**, lihat kontainer gambar inferensi.
1. Dalam daftar **Instans**, lihat instance yang menyusun titik akhir penerapan Anda.