책임감 있는 AI 이론을 실행에 옮기기

Amazon Bedrock의 모델 평가를 사용하면 정확도, 견고성, 유해성 등의 사용자 지정 지표를 기준으로 특정 사용 사례에 가장 적합한 FM을 평가, 비교, 선택할 수 있습니다. 또한 모델 평가에 Amazon SageMaker Clarify와 fmeval을 사용할 수 있습니다.

편향은 여러 그룹 간 데이터의 불균형 또는 모델의 성능 차이를 의미합니다. Amazon SageMaker Clarify는 특정 속성을 조사함으로써 데이터 준비 작업 중, 모델 훈련 직후, 배포된 모델에서 잠재적인 편향을 감지하여 편향을 완화하는 데 도움이 됩니다.

모델의 동작을 이해하는 것은 더 정확한 모델을 개발하고 더 나은 결정을 내리는 데 중요합니다. Amazon SageMaker Clarify를 사용하면 모델 동작에 대한 가시성이 높아지므로 이해 관계자에게 투명하게 보여주고, 의사 결정권자에게 정보를 제공하며, 모델이 의도한 대로 작동하는지 추적할 수 있습니다.

Amazon SageMaker Clarify 살펴보기

모니터링은 고품질 기계 학습(ML) 모델을 유지하고 정확한 예측을 보장하는 데 중요합니다. Amazon SageMaker Model Monitor는 배포된 모델의 부정확한 예측을 자동으로 감지하고 알려줍니다. 또한 Amazon SageMaker Ground Truth를 사용하면 ML 수명 주기 전반에 걸쳐 사람의 피드백을 적용하여 모델의 정확성과 관련성을 개선할 수 있습니다.

Amazon SageMaker의 ML 거버넌스는 ML 모델에 대한 더 엄격한 제어 및 가시성을 제공함으로써 ML 프로젝트의 거버넌스를 개선하기 위해 특별히 구축된 도구를 제공합니다. 모델 정보를 쉽게 캡처 및 공유하고 편향과 같은 모델 동작에 대한 정보를 모두 한곳에서 확인할 수 있습니다.