MonitorDefinition Klasse
Hinweis
Dies ist eine experimentelle Klasse, die jederzeit geändert werden kann. Unter https://aka.ms/azuremlexperimental finden Sie weitere Informationen.
Definition von Monitor
- Vererbung
-
azure.ai.ml.entities._mixins.RestTranslatableMixinMonitorDefinition
Konstruktor
MonitorDefinition(*, compute: ServerlessSparkCompute, monitoring_target: MonitoringTarget | None = None, monitoring_signals: Dict[str, DataDriftSignal | DataQualitySignal | PredictionDriftSignal | FeatureAttributionDriftSignal | CustomMonitoringSignal | GenerationSafetyQualitySignal] = None, alert_notification: Literal['azmonitoring'] | AlertNotification | None = None)
Keyword-Only Parameters
- compute
- SparkResourceConfiguration
Die Spark-Ressourcenkonfiguration, die dem Monitor zugeordnet werden soll
- monitoring_target
- Optional[MonitoringTarget]
Das ARM-ID-Objekt, das dem modell oder der bereitstellung zugeordnet ist, das überwacht wird.
- monitoring_signals
- Optional[Dict[str, Union[DataDriftSignal , DataQualitySignal, PredictionDriftSignal , FeatureAttributionDriftSignal , CustomMonitoringSignal , GenerationSafetyQualitySignal]]]
Das Wörterbuch der zu überwachenden Signale. Der Schlüssel ist der Name des Signals, und der Wert ist das DataSignal-Objekt. Akzeptierte Werte für die DataSignal-Objekte sind DataDriftSignal, DataQualitySignal, PredictionDriftSignal, FeatureAttributionDriftSignal und CustomMonitoringSignal.
Die Warnungskonfiguration für den Monitor.
Beispiele
Erstellen einer Monitordefinition.
from azure.ai.ml.entities import (
AlertNotification,
MonitorDefinition,
MonitoringTarget,
SparkResourceConfiguration,
)
monitor_definition = MonitorDefinition(
compute=SparkResourceConfiguration(instance_type="standard_e4s_v3", runtime_version="3.2"),
monitoring_target=MonitoringTarget(
ml_task="Classification",
endpoint_deployment_id="azureml:fraud_detection_endpoint:fraud_detection_deployment",
),
alert_notification=AlertNotification(emails=["abc@example.com", "def@example.com"]),
)
Azure SDK for Python
Feedback
https://aka.ms/ContentUserFeedback.
Bald verfügbar: Im Laufe des Jahres 2024 werden wir GitHub-Issues stufenweise als Feedbackmechanismus für Inhalte abbauen und durch ein neues Feedbacksystem ersetzen. Weitere Informationen finden Sie unterFeedback senden und anzeigen für