翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
# モデルバージョンの詳細を更新する
AWS SDK for Python (Boto3) または Amazon SageMaker Studio コンソールを使用して、特定のモデルバージョンの詳細を表示して更新できます。
**重要**
Amazon SageMaker AI は、モデルカードをモデルレジストリに統合します。Model Registry に登録されたモデルパッケージには、モデルパッケージのコンポーネントとして簡略化された Model Cards が含まれています。詳細については、「[モデルパッケージのモデルカードのスキーマ (Studio)](#model-card-schema)」を参照してください。
## モデルバージョンの詳細を表示して更新する (Boto3)
Boto3 を使用してモデルバージョンの詳細を表示するには、次のステップを実行します。
1. モデルグループ内のモデルバージョンを表示するには、`list_model_packages` API オペレーションを呼び出します。
```
sm_client.list_model_packages(ModelPackageGroupName="ModelGroup1")
```
レスポンスはモデルパッケージの概要のリストです。このリストからモデルバージョンの Amazon リソースネーム (ARN) を取得します。
```
{'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. `describe_model_package` を呼び出してモデルバージョンの詳細を表示します。`list_model_packages` 呼び出しの出力で取得したモデルバージョンの ARN を渡します。
```
sm_client.describe_model_package(ModelPackageName="arn:aws:sagemaker:us-east-2:123456789012:model-package/ModelGroup1/1")
```
この呼び出しの出力は、モデルバージョンの詳細を含む JSON オブジェクトです。
```
{'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}}
```
### モデルパッケージのモデルカードのスキーマ (Studio)
モデルバージョンに関連するすべての詳細は、モデルパッケージのモデルカードにカプセル化されています。モデルパッケージのモデルカードは、Amazon SageMaker Model Cards の特殊な使用方法であり、そのスキーマは簡略化されています。モデルパッケージのモデルカードのスキーマは、以下の拡張可能なドロップダウンに表示されます。
#### モデルパッケージのモデルカードのスキーマ
```
{
"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
}
}
}
```
## モデルバージョンの詳細を表示して更新する (Studio または Studio Classic)
モデルバージョンの詳細を表示して更新するには、Studio と Studio Classic のどちらを使用するかに応じて、次の手順を実行します。Studio Classic では、モデルバージョンの承認ステータスを更新できます。詳細については、「[モデルの承認ステータスを更新する](model-registry-approve.md)」を参照してください。一方、Studio では、SageMaker AI がモデルパッケージのモデルカードを作成し、モデルバージョン UI にはモデルカードの詳細を更新するオプションが提供されます。
------
#### [ Studio ]
1. 「[Launch Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html)」の手順に従って、SageMaker Studio コンソールを開きます。
1. 左側のナビゲーションペインで、メニューから **[モデル]** を選択します。
1. まだ選択されていない場合は、**[登録済みモデル]** タブをクリックします。
1. **[登録済みモデル]** タブラベルのすぐ下にある **[モデルグループ]** をまだ選択していない場合は、選択します。
1. 表示するモデルバージョンを含むモデルグループの名前を選択します。
1. モデルバージョンのリストで、表示するモデルバージョンの名前を選択します。
1. 次のいずれかのテーブルを選択します。
+ **トレーニング**: パフォーマンスメトリクス、アーティファクト、IAM ロールと暗号化、コンテナなど、トレーニングジョブに関連する詳細を表示または編集します。詳細については、「[トレーニングジョブを追加する (Studio)](model-registry-details-studio-training.md)」を参照してください。
+ **評価**: パフォーマンスメトリクス、評価データセット、セキュリティなど、トレーニングジョブに関連する詳細を表示または編集します。詳細については、「[評価ジョブを追加する (Studio)](model-registry-details-studio-evaluate.md)」を参照してください。
+ **監査**: モデルのビジネス上の目的、使用状況、リスク、アルゴリズムやパフォーマンスの制限などの技術的詳細に関する高レベルの詳細を表示または編集します。詳細については、「[監査 (ガバナンス) 情報を更新する (Studio)](model-registry-details-studio-audit.md)」を参照してください。
+ **デプロイ**: エンドポイントを構成する推論イメージコンテナとインスタンスの場所を表示または編集します。詳細については、「[デプロイ情報を更新する (Studio)](model-registry-details-studio-deploy.md)」を参照してください。
------
#### [ Studio Classic ]
1. Amazon SageMaker Studio Classic にサインインします。詳細については、「[Launch Amazon SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launch.html)」を参照してください。
1. 左側のナビゲーションペインで **[ホーム]** アイコン(![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/ja_jp/sagemaker/latest/dg/images/studio/icons/house.png)) を選択します。
1. **[モデル]** を選択し、**[モデルレジストリ]** を選択します。
1. モデルグループのリストから、表示する Model Group の名前を選択します。
1. 新しいタブが開き、Model Group 内にあるモデルバージョンのリストが表示されます。
1. モデルバージョンのリストで、詳細を表示するモデルバージョンの名前を選択します。
1. 表示されるモデルバージョンのタブで次のいずれかを選択して、モデルバージョンの詳細を表示します。
+ **Activity** (アクティビティ): 承認ステータスの更新など、モデルバージョンのイベントを表示します。
+ **モデル品質**: Model Monitor のモデル品質チェックに関連するメトリクスをレポートし、モデル予測を Ground Truth と比較します。Model Monitor のモデル品質チェックの詳細については、「[モデルの質](model-monitor-model-quality.md)」を参照してください。
+ **説明可能性**: Model Monitor の機能属性チェックに関連するメトリクスをレポートし、トレーニングデータとライブデータに含まれる特徴量の相対的なランキングを比較します。Model Monitor の説明可能性チェックの詳細については、「[本番稼働用モデルの Feature Attribution ドリフト](clarify-model-monitor-feature-attribution-drift.md)」を参照してください。
+ **バイアス**: Model Monitor のバイアスドリフトチェックに関連するメトリクスをレポートし、ライブデータとトレーニングデータの分布を比較します。Model Monitor のバイアスドリフトチェックの詳細については、「[本番稼働用モデルのバイアスドリフト](clarify-model-monitor-bias-drift.md)」を参照してください。
+ **推論レコメンダー**: モデルとサンプルペイロードに基づいて、最適なパフォーマンスを実現するための初期インスタンスの推奨事項を提供します。
+ **ロードテスト**: レイテンシーやスループットの制約など、特定の本番要件指定した場合に、選択したインスタンスタイプ全体でロードテストを実行します。
+ **推論の仕様**: リアルタイムの推論ジョブと変換ジョブのインスタンスタイプと、Amazon ECR コンテナに関する情報を表示します。
+ **情報**: モデルバージョンが関連付けられているプロジェクト、モデルを生成したパイプライン、Model Group、Amazon S3 内のモデルの場所といった情報を表示します。
------
# トレーニングジョブを追加する (Studio)
**重要**
2023 年 11 月 30 日以降、従来の Amazon SageMaker Studio のエクスペリエンスは Amazon SageMaker Studio Classic と名前が変更されました。以下のセクションは、更新後の Studio のエクスペリエンスに沿った内容になっています。Studio Classic アプリケーションを使用する場合は、「[Amazon SageMaker Studio Classic](studio.md)」を参照してください。
外部で作成された、または SageMaker AI を使用して作成された単一のトレーニングジョブをモデルに追加できます。SageMaker トレーニングジョブを追加すると、SageMaker AI は、**[トレーニング]** タブのすべてのサブページのフィールドに事前入力します。外部で作成されたトレーニングジョブを追加する場合は、トレーニングジョブに関する詳細を手動で追加する必要があります。
**モデルパッケージにトレーニングジョブを追加するには、次の手順を実行します。**
1. **[トレーニング]** タブをクリックします。
1. **[Add]** (追加) を選択します。このオプションが表示されない場合は、トレーニングジョブが既にアタッチされている可能性があります。このトレーニングジョブを削除する場合は、以下の手順を実行してトレーニングジョブを削除します。
1. SageMaker AI で作成したトレーニングジョブ、または外部で作成したトレーニングジョブを追加できます。
1. SageMaker AI で作成したトレーニングジョブを追加するには、次の手順を実行します。
1. **[SageMaker AI]** をクリックします。
1. 追加するトレーニングジョブの横にあるラジオボックスをオンにします。
1. **[Add]** (追加) を選択します。
1. 外部で作成したトレーニングジョブを追加するには、次の手順を実行します。
1. [**Custom**] を選択します。
1. **[名前]** フィールドに、カスタムトレーニングジョブの名前を挿入します。
1. **[Add]** (追加) を選択します。
# トレーニングジョブを削除する (Studio)
外部で作成された、または SageMaker AI を使用して作成されたトレーニングジョブをモデルから削除するには、次の手順を実行します。
**モデルパッケージからトレーニングジョブを削除するには、次の手順を実行します。**
1. [**Train**] を選択します。
1. **[トレーニング]** タブの下にある **[歯車]** ( ![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/ja_jp/sagemaker/latest/dg/images/icons/Settings_squid.png)) アイコンをクリックします。
1. トレーニングジョブの横にある **[削除]** をクリックします。
1. **[はい、<トレーニングジョブ名> を削除します]** を選択します。
1. **[Done]** (完了) をクリックします。
# トレーニングジョブの詳細を更新する (Studio)
モデルに関連付けられた、外部または SageMaker AI で作成されたトレーニングジョブの詳細を更新するには、次の手順を実行します。
**トレーニングジョブに関連する詳細を更新 (して表示) するには:**
1. **[トレーニング]** タブで、トレーニングジョブのステータスを表示します。ステータスは、モデルパッケージにトレーニングジョブを追加した場合は `Complete` で、追加されていない場合は `Undefined` です。
1. パフォーマンス、ハイパーパラメータ、識別の詳細など、トレーニングジョブに関連する詳細を表示するには、**[トレーニング]** タブをクリックします。
1. モデルのパフォーマンスに関連する詳細を更新して表示するには、次の手順を実行します。
1. **[トレーニング]** タブの左側のサイドバーで **[パフォーマンス]** を選択します。
1. トレーニングジョブに関連する **[メトリクス]** が表示されます。**[パフォーマンス]** ページには、名前、値、メトリクスに関連して追加した備考別にメトリクスが一覧表示されます。
1. (オプション) 既存のメトリクスに備考を追加するには、次の手順を実行します。
1. モデルバージョンページの右上隅にある縦三点リーダーをクリックして、**[削除]** を選択します。
1. リストされている任意のメトリクスに備考を追加します。
1. モデルバージョンページの上部にある **[モデルバージョンの編集...]** バナーで**[保存]** を選択します。
1. トレーニングジョブに関連する **[カスタムメトリクス]** が表示されます。カスタムメトリクスは、メトリクスと同様の形式です。
1. (オプション) カスタムメトリクスを追加するには、次の手順を実行します。
1. **[Add]** (追加) を選択します。
1. 新しいメトリクスの名前、値、オプションの備考を挿入します。
1. (オプション) カスタムメトリクスを削除するには、削除するメトリクスの横にある **[ゴミ箱]** アイコンをクリックします。
1. **[観察結果]** テキストボックスで、トレーニングジョブのパフォーマンスに関連して追加した備考が表示されます。
1. (オプション) 観察結果を追加または更新するには、次の手順を実行します。
1. モデルバージョンページの右上隅にある縦三点リーダーをクリックして、**[削除]** を選択します。
1. **[観察結果]** テキストボックスに備考を追加または更新します。
1. モデルバージョンページの上部にある **[モデルバージョンの編集...]** バナーで**[保存]** を選択します。
1. モデルアーティファクトに関連する詳細を更新して表示するには、次の手順を実行します。
1. **[トレーニング]** タブの左側のサイドバーで **[アーティファクト]** を選択します。
1. **[場所 (S3 URI)]** フィールドで、トレーニングデータセットの Amazon S3 の場所が表示されます。
1. **[モデル]** フィールドで、トレーニングジョブに含めた他のモデルからのモデルアーティファクトの名前と Amazon S3 の場所が表示されます。
1. **[アーティファクト]** ページのフィールドを更新するには、次の手順を実行します。
1. モデルバージョンページの右上にある縦三点リーダーをクリックして、**[編集]** を選択します。
1. 任意のフィールドに新しい値を入力します。
1. モデルバージョンページの上部にある **[モデルバージョンの編集...]** バナーで**[保存]** を選択します。
1. ハイパーパラメータに関連する詳細を更新して表示するには、次の手順を実行します。
1. **[トレーニング]** タブの左側のサイドバーで **[ハイパーパラメータ]** を選択します。
1. SageMaker AI が提供するハイパーパラメータと定義済みのカスタムハイパーパラメータを表示します。各ハイパーパラメータが、名前と値とともに一覧表示されます。
1. 追加したカスタムハイパーパラメータを確認します。
1. (オプション) カスタムハイパーパラメータをさらに追加するには、次の手順を実行します。
1. **[カスタムハイパーパラメータ]** テーブルの右上隅の上部にある **[追加]** をクリックします。新しい空白フィールドのペアが表示されます。
1. 新しいカスタムハイパーパラメータの名前と値を入力します。これらの値は自動的に保存されます。
1. (オプション) カスタムハイパーパラメータを削除するには、ハイパーパラメータの右側にある **[ゴミ箱]** アイコンをクリックします。
1. トレーニングジョブ環境に関連する詳細を更新して表示するには、次の手順を実行します。
1. **[トレーニング]** タブの左側のサイドバーで **[環境]** を選択します。
1. SageMaker AI (SageMaker トレーニングジョブの場合) またはユーザー (カスタムトレーニングジョブの場合) が追加したトレーニングジョブコンテナの Amazon ECR URI の場所を表示します。
1. (オプション) さらにトレーニングジョブコンテナを追加するには、**[追加]** をクリックして、新しいトレーニングコンテナの URI を入力します。
1. トレーニングジョブ名とトレーニングジョブの Amazon リソースネーム (ARN) を更新して表示するには、次の手順を実行します。
1. **[トレーニング]** タブの左側のサイドバーで **[詳細]** を選択します。
1. トレーニングジョブのトレーニングジョブ名と ARN が表示されます。
# 評価ジョブを追加する (Studio)
**重要**
2023 年 11 月 30 日以降、従来の Amazon SageMaker Studio のエクスペリエンスは Amazon SageMaker Studio Classic と名前が変更されました。以下のセクションは、更新後の Studio のエクスペリエンスに沿った内容になっています。Studio Classic アプリケーションを使用する場合は、「[Amazon SageMaker Studio Classic](studio.md)」を参照してください。
モデルを登録したら、単一または複数のデータセットを使用してモデルをテストし、パフォーマンスを評価できます。Amazon S3 から単数または複数の評価ジョブを追加するか、すべての詳細を手動で入力して独自の評価ジョブを定義できます。Amazon S3 からジョブを追加すると、SageMaker AI は、**[評価]** タブのすべてのサブページのフィールドに事前入力します。独自の評価ジョブを定義する場合は、評価ジョブに関連する詳細を手動で追加する必要があります。
**最初の評価ジョブをモデルパッケージに追加するには、次の手順を実行します。**
1. **[評価]** タブをクリックします。
1. **[Add]** (追加) を選択します。
1. Amazon S3 からの評価ジョブまたはカスタム評価ジョブを追加できます。
1. Amazon S3 からの付帯事項を含む評価ジョブを追加するには、次の手順を実行します。
1. **[S3]** を選択します。
1. 評価ジョブの名前を入力します。
1. 評価ジョブの出力び付帯事項に Amazon S3 の場所を入力します。
1. **[Add]** (追加) を選択します。
1. カスタム評価ジョブを追加するには、次の手順を実行します。
1. [**Custom**] を選択します。
1. 評価ジョブの名前を入力します。
1. **[Add]** (追加) を選択します。
**さらに評価ジョブをモデルパッケージに追加するには、次の手順を実行します。**
1. **[評価]** タブをクリックします。
1. **[トレーニング]** タブの下にある **[歯車]** ( ![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/ja_jp/sagemaker/latest/dg/images/icons/Settings_squid.png)) アイコンをクリックします。
1. ダイアログボックスで、**[追加]** をクリックします。
1. Amazon S3 からの評価ジョブまたはカスタム評価ジョブを追加できます。
1. Amazon S3 からの付帯事項を含む評価ジョブを追加するには、次の手順を実行します。
1. **[S3]** を選択します。
1. 評価ジョブの名前を入力します。
1. 評価ジョブの出力び付帯事項に Amazon S3 の場所を入力します。
1. **[Add]** (追加) を選択します。
1. カスタム評価ジョブを追加するには、次の手順を実行します。
1. [**Custom**] を選択します。
1. 評価ジョブの名前を入力します。
1. **[Add]** (追加) を選択します。
# 評価ジョブを削除する (Studio)
外部で作成された、または SageMaker AI を使用して作成された評価ジョブをモデルから削除するには、次の手順を実行します。
**モデルパッケージから評価ジョブを削除するには、次の手順を実行します。**
1. **[評価]** タブをクリックします。
1. **[トレーニング]** タブの下にある **[歯車]** ( ![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/ja_jp/sagemaker/latest/dg/images/icons/Settings_squid.png)) アイコンをクリックします。
1. (オプション) リストから評価ジョブを検索するには、検索ボックスに検索語を入力して選択肢のリストを絞り込みます。
1. 評価ジョブの横にあるラジオボタンをオンにします。
1. **[**を削除] を選択します。
1. **[はい、<評価名> を削除します]** を選択します。
1. **[Done]** (完了) をクリックします。
# 評価ジョブを更新する (Studio)
モデルに関連付けられた、外部または SageMaker AI で作成された評価ジョブの詳細を更新するには、次の手順を実行します。
**評価ジョブに関連する詳細を更新 (して表示) するには:**
1. **[評価]** タブで、評価ジョブのステータスを表示します。ステータスは、モデルパッケージに評価ジョブを追加した場合は `Complete` で、追加されていない場合は `Undefined` です。
1. パフォーマンスやアーティファクトの場所など、評価ジョブに関連する詳細を表示するには、**[評価]** タブをクリックします。
1. 評価中にモデルのパフォーマンスに関連する詳細を更新して表示するには、次の手順を実行します。
1. **[評価]** タブのサイドバーで **[パフォーマンス]** を選択します。
1. **[メトリクス]** リストで、評価ジョブに関連するメトリクスを確認します。**[メトリクス]** リストには、名前、値、メトリクスに関連して追加した備考別に個別のメトリクスが表示されます。
1. **[観察結果]** テキストボックスで、トレーニングジョブのパフォーマンスに関連して追加した備考が表示されます。
1. 任意のメトリクスの **[備考]** フィールドまたは **[観察結果]** フィールドを更新するには、次の手順を実行します。
1. モデルバージョンページの右上にある縦三点リーダーをクリックして、**[編集]** を選択します。
1. 任意のメトリクスの [備考] フィールドまたは **[観察結果]** フィールドを更新するには、次の手順を実行します。
1. モデルバージョンページの上部にある **[モデルバージョンの編集...]** バナーで**[保存]** を選択します。
1. 評価ジョブデータセットに関連する詳細を更新して表示するには、次の手順を実行します。
1. **[評価]** タブの左側のサイドバーで **[アーティファクト]** を選択します。
1. 評価ジョブで使用されるデータセットが表示されます。
1. (オプション) データセットを追加するには、**[追加]** をクリックして、データセットに Amazon S3 URI を入力します。
1. (オプション) データセットを削除するには、削除するデータセットの横にある **[ゴミ箱]** アイコンをクリックします。
1. ジョブ名と評価ジョブ ARN を表示するには、**[詳細]** をクリックします。
# 監査 (ガバナンス) 情報を更新する (Studio)
**重要**
2023 年 11 月 30 日以降、従来の Amazon SageMaker Studio のエクスペリエンスは Amazon SageMaker Studio Classic と名前が変更されました。以下のセクションは、更新後の Studio のエクスペリエンスに沿った内容になっています。Studio Classic アプリケーションを使用する場合は、「[Amazon SageMaker Studio Classic](studio.md)」を参照してください。
組織がモデルガバナンスの堅牢なフレームワークを確立できるように、重要なモデルの詳細を文書化する必要があります。このような詳細をチームのメンバーは参照できるため、ユースケースで適切にモデルを使用し、モデルのビジネスドメインと所有者を把握して、モデルのリスクを認識できます。モデルのパフォーマンスの予測方法とパフォーマンス制限の理由に関する詳細を保存することもできます。
**モデルガバナンスに関連する詳細を表示または更新するには、次の手順を実行します。**
1. **[監査]** タブで、モデルカードの承認ステータスを表示します。ステータスは以下のいずれかになります。
+ **下書き**: モデルカードはまだ下書きです。
+ **承認保留中**: モデルカードは承認待ちです。
+ **承認済み**: モデルカードは承認されています。
1. モデルカードの承認ステータスを更新するには、承認ステータスの横にあるプルダウンメニューをクリックして、更新された承認ステータスを選択します。
1. モデルパッケージのリスクに関連する詳細を更新して表示するには、次の手順を実行します。
1. **[監査]** タブの左側のサイドバーで **[リスク]** を選択します。
1. 現在のリスク評価とリスク評価の説明を表示します。
1. 評価または説明を更新するには、次の手順を実行します。
1. **[監査]** ページの右上隅にある縦三点リーダーをクリックして、**[編集]** を選択します。
1. (オプション) 更新されたリスク評価を選択します。
1. (オプション) リスク評価の説明を更新します。
1. モデルバージョンページの上部にある **[モデルバージョンの編集...]** バナーで**[保存]** を選択します。
1. モデルパッケージの使用に関する詳細を更新して表示するには、次の手順を実行します。
1. **[監査]** タブの左側のサイドバーで **[使用状況]** を選択します。
1. 次のフィールドに追加したテキストを表示します。
+ **問題のタイプ**: モデルの構築に使用した機械学習アルゴリズムのカテゴリ
+ **アルゴリズムタイプ**: モデルの作成に使用した特定のアルゴリズム
+ **使用目的**: ビジネス上の問題におけるモデルの現在の適用
+ **モデルの有効性に影響を与える要因**: モデルのパフォーマンス制限に関する備考
+ **推奨される使用方法**: モデルを使用して作成できるアプリケーションのタイプ、適切なパフォーマンスが期待できるシナリオ、またはモデルで使用するデータのタイプ
+ **倫理的な考慮事項**: 年齢や性別などの要因に基づいてモデルを区別する方法の説明
1. 上記のいずれかのフィールドを更新するには、次の手順を実行します。
1. モデルバージョンページの右上隅にある縦三点リーダーをクリックして、**[編集]** を選択します。
1. (オプション) 必要に応じて、**[問題のタイプ]** と **[アルゴリズムタイプ]** のドロップダウンメニューを使用して新しい値を選択します。
1. (オプション) 残りのフィールドのテキストの説明を更新します。
1. モデルバージョンページの上部にある **[モデルバージョンの編集...]** バナーで**[保存]** を選択します。
1. モデルパッケージのステークホルダーに関する詳細を更新して表示するには、次の手順を実行します。
1. **[監査]** タブの左側のサイドバーで **[ステークホルダー]** を選択します。
1. 現在のモデル所有者と作成者がある場合は、それらが表示されます。
1. モデル所有者または作成者を更新するには、次の手順を実行します。
1. モデルバージョンページの右上隅にある縦三点リーダーをクリックして、**[編集]** を選択します。
1. モデル所有者またはモデル作成者のフィールドを更新します。
1. モデルバージョンページの上部にある **[モデルバージョンの編集...]** バナーで**[保存]** を選択します。
1. モデルパッケージが対処するビジネス上の問題に関連する詳細を更新および表示するには、次の手順を実行します。
1. **[監査]** タブの左側のサイドバーで **[ビジネス]** を選択します。
1. モデルが対処するビジネス上の問題、ビジネス上の問題のステークホルダー、基幹業務に関する現在の説明がある場合は、表示されます。
1. **[ビジネス]** タブのフィールドを更新するには、次の手順を実行します。
1. モデルバージョンページの右上隅にある縦三点リーダーをクリックして、**[編集]** を選択します。
1. 任意のフィールドの説明を更新します。
1. モデルバージョンページの上部にある **[モデルバージョンの編集...]** バナーで**[保存]** を選択します。
1. モデルの既存のドキュメント (キー値のペアとして示される) を更新して表示するには、次の手順を実行します。
1. **[監査]** ページの左側のサイドバーで **[ドキュメント]** を選択します。
1. 既存のキー値のペアが表示されます。
1. キー値のペアを追加するには、次の手順を実行します。
1. モデルバージョンページの右上隅にある縦三点リーダーをクリックして、**[編集]** を選択します。
1. **[Add]** (追加) を選択します。
1. 新しいキーと関連する値を入力します。
1. モデルバージョンページの上部にある **[モデルバージョンの編集...]** バナーで**[保存]** を選択します。
1. キー値のペアを削除するには、次の手順を実行します。
1. モデルバージョンページの右上隅にある縦三点リーダーをクリックして、**[編集]** を選択します。
1. 削除するキー値のペアの横にある **[ゴミ箱]** アイコンをクリックします。
1. モデルバージョンページの上部にある **[モデルバージョンの編集...]** バナーで**[保存]** を選択します。
# デプロイ情報を更新する (Studio)
**重要**
2023 年 11 月 30 日以降、従来の Amazon SageMaker Studio のエクスペリエンスは Amazon SageMaker Studio Classic と名前が変更されました。以下のセクションは、更新後の Studio のエクスペリエンスに沿った内容になっています。Studio Classic アプリケーションを使用する場合は、「[Amazon SageMaker Studio Classic](studio.md)」を参照してください。
モデルのパフォーマンスを評価し、本番環境のワークロードに使用する準備が整っていることを確認したら、モデルの承認ステータスを変更して、CI/CD デプロイを開始できます。承認ステータス定義の詳細については、「[モデルの承認ステータスを更新する](model-registry-approve.md)」を参照してください。
**モデルパッケージのデプロイに関連する詳細を表示または更新するには、次の手順を実行します。**
1. **[デプロイ]** タブで、モデルパッケージの承認ステータスを表示します。可能な値は次のとおりです。
+ **承認保留中**: モデルは登録されており、デプロイがまだ承認または拒否されていません。
+ **承認済み**: モデルは CI/CD デプロイについて承認されています。SageMaker AI プロジェクトテンプレートから構築されたモデルの場合と同様、モデル承認イベント時にモデルのデプロイを開始する EventBridge ルールが設定されている場合は、SageMaker AI もモデルをデプロイします。
+ **却下済み**: モデルのデプロイが拒否されています。
承認ステータスを変更する必要がある場合は、ステータスの横にあるドロップダウンメニューをクリックして、更新されたステータスを選択します。
1. モデルパッケージの承認ステータスを更新するには、承認ステータスの横にあるドロップダウンをクリックして、更新された承認ステータスを選択します。
1. **[コンテナ]** リストで、推論イメージのコンテナを表示します。
1. **[インスタンス]** リストで、デプロイエンドポイントを構成するインスタンスを表示します。