기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
# 바이어스 드리프트를 모니터링하는 파라미터
Amazon SageMaker Clarify 바이어스 모니터링은 [분석 구성 파일](clarify-processing-job-configure-analysis.md)의 분석 구성에서 사용된 매개변수의 하위 집합을 재사용합니다. 이 주제에서는 구성 매개변수에 대해 설명한 후, JSON 파일의 예제를 제공합니다. 이러한 파일은 기계 학습 모델이 프로덕션 단계에 있을 때 바이어스 드리프트를 모니터링하도록 CSV 및 JSON Lines 데이터세트를 구성하는 데 사용됩니다.
JSON 파일에는 반드시 다음 매개변수가 제공되어야 합니다. 이 JSON 파일의 경로는 반드시 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ModelBiasAppSpecification](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ModelBiasAppSpecification)API의 `ConfigUri`매개변수에 제공되어야 합니다.
+ `"version"` - (선택사항) 해당 구성 파일의 스키마 버전입니다. 제공하지 않을 경우, 지원 가능한 최신 버전이 사용됩니다.
+ `"headers"` - (선택사항) 데이터세트의 열 이름 목록. 만약 `dataset_type`이 `"application/jsonlines"`이고 `"label"`이 지정되어 있다면, 마지막 헤더가 해당 레이블 열의 헤더가 됩니다.
+ `"label"` - (선택사항) 편향 지표에 사용할 모델의 대상 속성입니다.** 열 이름 또는 인덱스(데이터세트 형식이 CSV인 경우) 또는 JMEsPath(데이터세트 형식이 JSON Lines인 경우)로서 지정됩니다.
+ `"label_values_or_threshold"` - (선택사항) 레이블 값 또는 임계값의 목록. 편향 지표에 사용된 긍정적인 결과를 나타냅니다.
+ `"facet"` - (선택사항) 민감한 속성에 해당하는 특징(패싯이라고 함)의 목록입니다. 패싯은 쌍을 이루어 편향 지표에 사용되며, 다음을 포함합니다.**
+ `"name_or_index"` - 패싯 열 이름 또는 인덱스.
+ `"value_or_threshold"` - (선택사항) 패싯 열에 적용할 수 있는 값 또는 임계값의 목록. 편향을 측정하는 데 사용되는 그룹과 같이 민감한 그룹을 나타냅니다. 제공하지 않을 경우, 편향 지표는 (전체 값이 아니라) 모든 고유 값에 대해 하나의 그룹으로 계산됩니다. 패싯 열이 숫자인 경우에는 이 임계값이 민감한 그룹을 선택하기 위한 하한으로 적용됩니다.
+ `"group_variable"` - (선택사항) 조건부 인구통계 차이 편향 지표에 사용할 그룹 변수를 나타내는 열 이름 또는 인덱스입니다.****
다른 매개변수는 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ModelBiasJobInput](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ModelBiasJobInput)API의 `EndpointInput`(실시간 엔드포인트인 경우) 또는 `BatchTransformInput`(배치 변환 작업인 경우)에서 제공되어야 합니다.
+ `FeaturesAttribute` - 엔드포인트 입력 데이터 형식이 `"application/jsonlines"`인 경우 이 매개변수가 필요합니다. 데이터 세트 형식이 JSON Lines인 경우 해당 특징 열을 찾는 데 사용되는 것은 JMEsPath입니다.
+ `InferenceAttribute` - 편향 지표를 사용하여 편향을 모니터링하는 데 사용할 대상 속성에 대한 모델 출력의 인덱스 또는 JMEsPath 위치입니다. 만약 CSV `accept_type`의 경우에서 이 값이 제공되지 않았다면, 모델 출력이 점수 또는 확률에 해당하는 단일 숫자 값인 것으로 간주됩니다.
+ `ProbabilityAttribute` - 확률을 계산하는 모델 출력의 인덱스 또는 JMEsPath 위치입니다. 예를 들어, 모델 출력이 레이블 및 확률 목록을 포함하는 JSON Lines인 경우라면, 최대 확률에 해당하는 레이블이 편향 계산 용도로 선택됩니다.
+ `ProbabilityThresholdAttribute` - (선택사항) 바이너리 분류의 경우에서 바이너리 레이블을 선택하기 위한 임계값을 나타내는 부동 소수점 값입니다. 기본값은 0.5입니다.
## CSV 및 JSON Lines 데이터 세트를 위한 JSON 구성 파일의 예제
다음은 CSV 및 JSON Lines 데이터세트를 구성하여 바이어스 드리프트를 모니터링하기 위해 사용하는 JSON 파일의 예제입니다.
**Topics**
+ [CSV 데이터 세트](#clarify-config-json-monitor-bias-parameters-example-csv)
+ [JSON Lines 데이터 세트](#clarify-config-json-monitor-bias-parameters-example-jsonlines)
### CSV 데이터 세트
다음 예제와 같이 특징 열 4개와 레이블 열 1개가 있는 데이터 세트에서 첫 번째 특징과 레이블이 이진수라고 가정해 보겠습니다.
```
0, 0.5814568701544718, 0.6651538910132964, 0.3138080342665499, 0
1, 0.6711642728531724, 0.7466687034026017, 0.1215477472819713, 1
0, 0.0453256543003371, 0.6377430803264152, 0.3558625219713576, 1
1, 0.4785191813363956, 0.0265841045263860, 0.0376935084990697, 1
```
다음 예제와 같이 모델 출력값에 두 개의 열이 있다고 가정합니다.첫 번째 열은 예측된 레이블이고 두 번째 열은 확률입니다.
```
1, 0.5385257417814224
```
이 때, 다음 JSON 구성 파일은 이 CSV 데이터세트를 구성할 수 있는 방법의 예시를 보여줍니다.
```
{
"headers": [
"feature_0",
"feature_1",
"feature_2",
"feature_3",
"target"
],
"label": "target",
"label_values_or_threshold": [1],
"facet": [{
"name_or_index": "feature_1",
"value_or_threshold": [1]
}]
}
```
예측된 레이블은 `"InferenceAttribute"`매개변수에 의해 선택되었습니다. 0 기준으로 시작하는 번호 매기기가 사용되므로, 여기서 0은 모델 출력의 첫 번째 열을 나타냅니다.
```
"EndpointInput": {
...
"InferenceAttribute": 0
...
}
```
그 밖에, 다른 매개변수를 사용하여 확률 값을 이진수의 예측된 레이블로 변환하는 방법도 있습니다. 0 기준으로 시작하는 번호 매기기가 사용된 상황에서, 1은 두 번째 열을 나타내고, 0.6이라는 `ProbabilityThresholdAttribute`값은 확률이 0.6보다 크면 이진수 레이블을 1로 예측한다는 것을 나타냅니다.
```
"EndpointInput": {
...
"ProbabilityAttribute": 1,
"ProbabilityThresholdAttribute": 0.6
...
}
```
### JSON Lines 데이터 세트
다음 예제와 같이 특징 열 4개와 레이블 열 1개가 있는 데이터 세트에서 첫 번째 특징과 레이블이 이진수라고 가정해 보겠습니다.
```
{"features":[0, 0.5814568701544718, 0.6651538910132964, 0.3138080342665499], "label":0}
{"features":[1, 0.6711642728531724, 0.7466687034026017, 0.1215477472819713], "label":1}
{"features":[0, 0.0453256543003371, 0.6377430803264152, 0.3558625219713576], "label":1}
{"features":[1, 0.4785191813363956, 0.0265841045263860, 0.0376935084990697], "label":1}
```
모델 출력값에 두 개의 열이 있다고 가정해 보겠습니다.첫 번째 열은 예측된 레이블이고 두 번째 열은 확률입니다.
```
{"predicted_label":1, "probability":0.5385257417814224}
```
다음 JSON 구성 파일은 이 JSON Lines 데이터세트를 구성할 수 있는 방법의 예시를 보여줍니다.
```
{
"headers": [
"feature_0",
"feature_1",
"feature_2",
"feature_3",
"target"
],
"label": "label",
"label_values_or_threshold": [1],
"facet": [{
"name_or_index": "feature_1",
"value_or_threshold": [1]
}]
}
```
이 때, 데이터세트의 특징을 찾는 데는 `EndpointInput`(실시간 엔드포인트인 경우) 또는 `BatchTransformInput`(배치 변환 작업인 경우)의 `"features"`매개변수 값이 사용되고, `"predicted_label"`매개변수 값은 모델 출력값에서 예측된 레이블을 선택하게 됩니다.
```
"EndpointInput": {
...
"FeaturesAttribute": "features",
"InferenceAttribute": "predicted_label"
...
}
```
그 밖에, `ProbabilityThresholdAttribute`매개변수 값을 사용하여 확률 값을 예측된 이진수 레이블로 변환하는 방법도 있습니다. 예를 들어, 0.6이라는 값은 확률이 0.6보다 크면 이진수 레이블을 1로 예측한다는 의미입니다.
```
"EndpointInput": {
...
"FeaturesAttribute": "features",
"ProbabilityAttribute": "probability",
"ProbabilityThresholdAttribute": 0.6
...
}
```