기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다. # 모니터링 작업 일정 예약 Amazon SageMaker Model Monitor는 실시간 엔드포인트에서 수집된 데이터를 모니터링할 수 있는 기능을 제공합니다. 반복되는 일정에 따라 데이터를 모니터링하거나 일회성으로 즉시 모니터링할 수 있습니다. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateMonitoringSchedule.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateMonitoringSchedule.html) API를 사용하여 모니터링 일정을 만들 수 있습니다. SageMaker AI는 모니터링 일정을 통해 작업 처리를 시작하여 지정된 기간 동안 수집되었던 데이터를 분석할 수 있습니다. 처리 작업에서 SageMaker AI는 현재 분석에 대한 데이터세트를 사용자가 제공하는 기준 통계 및 제약 조건과 비교합니다. 그런 다음 SageMaker AI는 위반 보고서를 생성합니다. 또한 분석 중인 각 기능에 대해 CloudWatch 지표를 내보냅니다. SageMaker AI는 테이블 형식 데이터세트에 대한 분석을 수행하기 위한 사전 구축된 컨테이너를 제공합니다. 아니면 [Amazon SageMaker Model Monitor에서 자체 컨테이너 지원](model-monitor-byoc-containers.md)항목에 설명된 대로 자체 컨테이너를 사용하는 방법을 선택할 수도 있습니다. 실시간 엔드포인트 또는 배치 변환 작업에 대한 모델 모니터링 일정을 생성할 수 있습니다. 기준 리소스(제약 조건 및 통계)를 사용하여 실시간 트래픽 또는 배치 작업 입력과 비교합니다. **Example 기준 할당** 다음 예제에서는 모델 훈련에 사용된 훈련 데이터세트가 Amazon S3에 업로드되었습니다. Amazon S3에 이미 데이터를 보유 중인 경우에는, 이를 직접 가리킬 수 있습니다. ``` # copy over the training dataset to Amazon S3 (if you already have it in Amazon S3, you could reuse it) baseline_prefix = prefix + '/baselining' baseline_data_prefix = baseline_prefix + '/data' baseline_results_prefix = baseline_prefix + '/results' baseline_data_uri = 's3://{}/{}'.format(bucket,baseline_data_prefix) baseline_results_uri = 's3://{}/{}'.format(bucket, baseline_results_prefix) print('Baseline data uri: {}'.format(baseline_data_uri)) print('Baseline results uri: {}'.format(baseline_results_uri)) ``` ``` training_data_file = open("test_data/training-dataset-with-header.csv", 'rb') s3_key = os.path.join(baseline_prefix, 'data', 'training-dataset-with-header.csv') boto3.Session().resource('s3').Bucket(bucket).Object(s3_key).upload_fileobj(training_data_file) ``` **Example 반복 분석 일정** 실시간 엔드포인트에 대한 모델 모니터를 예약하려는 경우, 기준 제약 조건 및 통계를 사용하여 실시간 트래픽과 비교합니다. 다음 코드 조각은 실시간 엔드포인트에 대한 모델 모니터를 예약하는 데 사용되는 일반적인 형식을 보여줍니다. 이 예제에서는 모델 모니터가 매시간 실행되도록 예약합니다. ``` from sagemaker.model_monitor import CronExpressionGenerator from time import gmtime, strftime mon_schedule_name = 'my-model-monitor-schedule-' + strftime("%Y-%m-%d-%H-%M-%S", gmtime()) my_default_monitor.create_monitoring_schedule( monitor_schedule_name=mon_schedule_name, endpoint_input=EndpointInput( endpoint_name=endpoint_name, destination="/opt/ml/processing/input/endpoint" ), post_analytics_processor_script=s3_code_postprocessor_uri, output_s3_uri=s3_report_path, statistics=my_default_monitor.baseline_statistics(), constraints=my_default_monitor.suggested_constraints(), schedule_cron_expression=CronExpressionGenerator.hourly(), enable_cloudwatch_metrics=True, ) ``` **Example 일회성 분석 일정** 다음과 같은 인수를 `create_monitoring_schedule`메서드에 전달하여 분석이 반복 없이 한 번만 실행되도록 예약할 수도 있습니다. ``` schedule_cron_expression=CronExpressionGenerator.now(), data_analysis_start_time="-PT1H", data_analysis_end_time="-PT0H", ``` 이러한 인수에서 `schedule_cron_expression`매개변수는 `CronExpressionGenerator.now()`값을 사용하여 한 번의 분석을 즉시 실행하도록 예약합니다. 이 설정을 사용하는 모든 일정에는 `data_analysis_start_time`및 `data_analysis_end_time`매개변수가 필요합니다. 이러한 매개변수는 분석 기간의 시작 시간과 종료 시간을 설정합니다. 이러한 시간을 현재 시간을 기준으로 한 오프셋으로 정의하고, ISO8601 기간 형식을 사용하세요. 이 예제에서 시간값 `-PT1H`및 `-PT0H`는 1시간 전의 과거와 현재 시간 사이의 기간을 정의합니다. 이 일정을 사용하면, 분석은 지정된 해당 기간 동안에 수집된 데이터만을 평가합니다. **Example 배치 변환 작업 일정** 다음 코드 조각은 배치 변환 작업에 대한 모델 모니터를 예약하는 데 사용되는 일반적인 형식을 보여줍니다. ``` from sagemaker.model_monitor import ( CronExpressionGenerator, BatchTransformInput, MonitoringDatasetFormat, ) from time import gmtime, strftime mon_schedule_name = 'my-model-monitor-schedule-' + strftime("%Y-%m-%d-%H-%M-%S", gmtime()) my_default_monitor.create_monitoring_schedule( monitor_schedule_name=mon_schedule_name, batch_transform_input=BatchTransformInput( destination="opt/ml/processing/input", data_captured_destination_s3_uri=s3_capture_upload_path, dataset_format=MonitoringDatasetFormat.csv(header=False), ), post_analytics_processor_script=s3_code_postprocessor_uri, output_s3_uri=s3_report_path, statistics=my_default_monitor.baseline_statistics(), constraints=my_default_monitor.suggested_constraints(), schedule_cron_expression=CronExpressionGenerator.hourly(), enable_cloudwatch_metrics=True, ) ``` ``` desc_schedule_result = my_default_monitor.describe_schedule() print('Schedule status: {}'.format(desc_schedule_result['MonitoringScheduleStatus'])) ``` # 모니터링 일정에 대한 크론 표현식 모니터링 일정에 대한 세부 정보를 제공하려면 모니터링 일정에 대한 세부 정보를 설명하는 `cron`표현식인 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ScheduleConfig.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ScheduleConfig.html)을 사용합니다. Amazon SageMaker Model Monitor는 다음 `cron`표현식을 지원합니다. + 매 시간 작업이 시작되도록 설정하려면 다음을 사용하세요. `Hourly: cron(0 * ? * * *)` + 작업을 매일 실행하려면 다음을 사용하세요. `cron(0 [00-23] ? * * *)` + 작업을 즉시 한 번 실행하려면 다음 키워드를 사용하세요. `NOW` 예를 들어 다음은 유효한 `cron`표현식입니다. + 매일 오후 12시(UTC): `cron(0 12 ? * * *)` + 매일 오전 12시(UTC): `cron(0 0 ? * * *)` 6시간, 12시간마다 실행을 지원하기 위해 Model Monitor는 다음 표현식을 지원합니다. `cron(0 [00-23]/[01-24] ? * * *)` 예를 들어 다음은 유효한 `cron`표현식입니다. + 오후 5시(UTC)부터 12시간마다: `cron(0 17/12 ? * * *)` + 오전 12시(UTC)부터 2시간마다: `cron(0 0/2 ? * * *)` **참고** `cron` 표현식이 오후 5시(UTC)에 시작하도록 설정되어 있지만 실제 실행이 요청된 시간으로부터 0-20분의 지연이 발생할 수 있습니다. 일일 일정에 따라 실행하려는 경우에는 이 파라미터를 제공하지 마세요. SageMaker AI는 매일 실행할 시간을 선택합니다. 현재 SageMaker AI에서는 1\$124시간 사이의 시간당 정수 비율만 지원합니다. # 모니터링 일정을 위한 서비스 제어 정책 구성 [CreateMonitoringSchedule](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateMonitoringSchedule.html) API 또는 [UpdateMonitoringSchedule](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateMonitoringSchedule.html) API를 사용하여 모니터링 작업 일정을 만들거나 업데이트할 때는 각각의 모니터링 작업의 매개변수를 지정해야 합니다. 사용 사례에 따라 다음 중 한 가지 방법으로 이를 수행할 수 있습니다. + `CreateMonitoringSchedule` 또는 `UpdateMonitoringSchedule`을 호출할 때 [MonitoringScheduleConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_MonitoringScheduleConfig.html)의 [MonitoringJobDefinition](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_MonitoringJobDefinition.html) 필드를 지정할 수 있습니다. 이 옵션은 데이터 품질 모니터링 작업의 일정을 만들거나 업데이트하는 데만 사용 가능합니다. + `CreateMonitoringSchedule` 또는 `UpdateMonitoringSchedule`을 호출할 때 사용자가 `MonitoringScheduleConfig`의 `MonitoringJobDefinitionName`필드에 이미 생성해둔 모니터링 작업 정의의 이름을 지정할 수 있습니다. 다음 API 중 하나를 사용하여 생성하는 모든 작업 정의에 이 방법을 사용할 수 있습니다. + [CreateDataQualityJobDefinition](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDataQualityJobDefinition.html) + [CreateModelQualityJobDefinition](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModelQualityJobDefinition.html) + [CreateModelBiasJobDefinition](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModelBiasJobDefinition.html) + [CreateModelExplainabilityJobDefinition](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModelExplainabilityJobDefinition.html) SageMaker Python SDK를 사용하여 일정을 만들거나 업데이트하려면 이 프로세스를 필수적으로 사용해야 합니다. 앞서 언급한 프로세스는 상호 배타적입니다.즉, 사용자는 모니터링 일정을 생성하거나 업데이트할 때 `MonitoringJobDefinition`필드 아니면 `MonitoringJobDefinitionName`필드를 지정할 수 있습니다. 모니터링 작업 정의를 생성하거나 `MonitoringJobDefinition`필드에 정의를 지정할 때는 `NetworkConfig`및 `VolumeKmsKeyId`와 같은 보안 매개변수를 설정할 수 있습니다. 관리자는 모니터링 작업이 항상 안전한 환경에서 실행될 수 있도록 이러한 매개변수를 항상 특정한 값으로 설정해두는 것이 좋습니다. 이를 보장하려면 적절한 [서비스 제어 정책](https://docs.aws.amazon.com/organizations/latest/userguide/orgs_manage_policies_scps.html)(SCP)을 설정하세요. 서비스 제어 정책(SCP)은 조직의 권한을 관리하는 데 사용할 수 있는 조직 정책의 유형입니다. 다음 예제는 모니터링 작업 일정을 만들거나 업데이트할 때 인프라 매개변수가 제대로 설정되었는지 여부를 확인하는 데 사용할 수 있는 SCP를 보여줍니다. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Effect": "Deny", "Action": [ "sagemaker:CreateDataQualityJobDefinition", "sagemaker:CreateModelBiasJobDefinition", "sagemaker:CreateModelExplainabilityJobDefinition", "sagemaker:CreateModelQualityJobDefinition" ], "Resource": "arn:*:sagemaker:*:*:*", "Condition": { "Null": { "sagemaker:VolumeKmsKey":"true", "sagemaker:VpcSubnets": "true", "sagemaker:VpcSecurityGroupIds": "true" } } }, { "Effect": "Deny", "Action": [ "sagemaker:CreateDataQualityJobDefinition", "sagemaker:CreateModelBiasJobDefinition", "sagemaker:CreateModelExplainabilityJobDefinition", "sagemaker:CreateModelQualityJobDefinition" ], "Resource": "arn:*:sagemaker:*:*:*", "Condition": { "Bool": { "sagemaker:InterContainerTrafficEncryption": "false" } } }, { "Effect": "Deny", "Action": [ "sagemaker:CreateMonitoringSchedule", "sagemaker:UpdateMonitoringSchedule" ], "Resource": "arn:*:sagemaker:*:*:monitoring-schedule/*", "Condition": { "Null": { "sagemaker:ModelMonitorJobDefinitionName": "true" } } } ] } ``` ------ 예제의 처음 두 규칙은 모니터링 작업 정의를 위한 보안 매개변수가 항상 설정되어 있도록 보장합니다. 마지막 규칙은 일정을 만들거나 업데이트하는 조직 내 모든 사용자가 항상 `MonitoringJobDefinitionName`필드를 지정하도록 요구합니다. 이렇게 하면 조직 내부의 누군가가 일정을 만들거나 업데이트할 때 `MonitoringJobDefinition`필드를 지정함으로써 보안 매개변수에 대해 안전하지 않은 값을 설정하는 일이 생기지 않게 됩니다.