CLI (v2) 排程模型監視的 YAML 結構描述 (預覽)

發行項
09/01/2024

本文件中詳述的 YAML 語法是以最新版 ML CLI v2 延伸模組的 JSON 結構描述為基礎。此語法僅保證能與最新版的 ML CLI v2 延伸模組搭配運作。您可以在檢視 https://azuremlschemas.azureedge.net/latest/monitorSchedule.schema.json完整的 JSON 架構。您可以在 https://azuremlschemasprod.azureedge.net/ 找到舊版延伸模組的結構描述。

YAML 語法

機碼	類型	描述
`$schema`	字串	YAML 結構描述。
`name`	字串	必要。排程的名稱。
`description`	字串	排程的描述。
`tags`	object	排程的標籤典。
`trigger`	object	必要。要定義何時觸發作業的觸發程式組態。其中一個 `RecurrenceTrigger` 或 `CronTrigger` 是必要的。
`create_monitor`	object	必要。由排程觸發之監視器的定義。 `MonitorDefinition` 是必要的。

觸發程式設定

週期性觸發程序

機碼	類型	描述	允許的值
`type`	字串	必要。指定排程類型。	recurrence
`frequency`	字串	必要。指定描述排程引發頻率的時間單位。	`minute`、、 `hour`、 `day`、 `week`、 `month`
`interval`	整數	必要。指定排程引發的間隔。
`start_time`	字串	描述時區的開始日期和時間。如果 `start_time` 省略，則第一個作業會立即執行，且未來工作會根據排程觸發，並指出 `start_time` 將會等於作業建立時間。如果開始時間已結束，第一個作業會在下一個計算的執行時間執行。
`end_time`	字串	描述具有時區的結束日期和時間。如果 `end_time` 省略，排程會繼續執行，直到明確停用為止。
`timezone`	字串	指定週期的時區。如果省略，即預設為 UTC。	請參閱時區值的附錄
`pattern`	object	指定週期的模式。如果省略模式，作業會根據start_time、頻率和間隔的邏輯來觸發。

週期排程

週期排程會定義週期模式，其中包含 hours、 minutes和 weekdays。

當 frequency 為 day時，模式可以指定 hours 和 minutes。
當 frequency 為 week 與 month時，模式可以指定 hours、 minutes 與 weekdays。

機碼	類型	允許的值
`hours`	整數或整數陣列	`0-23`
`minutes`	整數或整數陣列	`0-59`
`week_days`	字串或字串串數位	`monday`、`tuesday`、、`thursdaywednesday`、`friday`、、、 `saturdaysunday`

CronTrigger

機碼	類型	描述	允許的值
`type`	字串	必要。指定排程類型。	Cron
`expression`	字串	必要。指定要定義如何觸發作業的cron表達式。 expression 會使用標準 crontab 運算式來表示週期性排程。單一表示式是由五個以空格分隔的欄位所組成：`MINUTES HOURS DAYS MONTHS DAYS-OF-WEEK`
`start_time`	字串	描述時區的開始日期和時間。如果省略start_time，則第一個作業會立即執行，且未來的作業將會根據排程觸發，並指出start_time會等於作業建立時間。如果開始時間已結束，第一個作業會在下一個計算的執行時間執行。
`end_time`	字串	描述具有時區的結束日期和時間。如果省略end_time，排程會繼續執行，直到明確停用為止。
`timezone`	字串	指定週期的時區。如果省略，即預設為 UTC。	請參閱時區值的附錄

監視定義

機碼	類型	描述	允許的值	預設值
`compute`	Object	必要。用於執行監視作業之 Spark 集區的計算資源描述。
`compute.instance_type`	String	必要。要用於 Spark 集區的計算實例類型。	'standard_e4s_v3'、'standard_e8s_v3'、'standard_e16s_v3'、'standard_e32s_v3'、'standard_e64s_v3'	n/a
`compute.runtime_version`	String	選擇性。定義 Spark 執行時間版本。	`3.3`	`3.3`
`monitoring_target`	Object	與模型監視相關聯的 Azure 機器學習資產。
`monitoring_target.ml_task`	String	模型的機器學習工作。	允許的值為：`classification`、、 `regressionquestion_answering`
`monitoring_target.endpoint_deployment_id`	String	選擇性。相關聯的 Azure 機器學習端點/部署識別碼，格式為 `azureml:myEndpointName:myDeploymentName`。如果您的端點/部署已啟用用於模型監視的模型數據收集，則需要此字段。
`monitoring_target.model_id`	String	選擇性。模型監視的相關模型標識碼。
`monitoring_signals`	Object	要包含之監視訊號的字典。索引鍵是監視內容中監視訊號的名稱，而值是包含監視訊號規格的物件。針對使用最近生產數據作為比較基準的基本模型監視選用專案，並具有 3 個監視訊號：數據漂移、預測漂移和數據品質。
`alert_notification`	字串或物件	警示通知收件者的描述。	允許兩個警示目的地的其中一個：包含電子郵件收件者陣列的字串`azmonitoring`或物件`emails`
`alert_notification.emails`	Object	要接收警示通知的電子郵件地址清單。

監視訊號

資料漂移

當用來定型模型的數據在生產環境中發展時，數據的分佈可能會改變，導致定型數據與模型用來預測的實際數據不符。數據漂移是機器學習中用來定型模型隨時間變化之輸入數據的統計屬性時所發生的現象。

機碼	類型	描述	允許的值	預設值
`type`	String	必要。監視訊號的類型。預先建置的監視訊號處理元件會根據 `type` 此處指定的自動載入。	`data_drift`	`data_drift`
`production_data`	Object	選擇性。要分析以監視訊號的生產數據描述。
`production_data.input_data`	Object	選擇性。輸入數據來源的描述，請參閱作業輸入資料規格。
`production_data.data_context`	String	數據的內容會參考模型生產數據，而且可能是模型輸入或模型輸出	`model_inputs`
`production_data.data_window`	Object	選擇性。要做為比較基準數據之參考數據的數據視窗。	只允許滾動數據視窗或固定資料視窗。若要使用滾動數據視窗，請指定 `production_data.data_window.lookback_window_offset` 和 `production_data.data_window.lookback_window_size` 屬性。若要使用固定資料視窗，請指定 `production_data.data_window.window_start` 和 `production_data.data_window.window_end` 屬性。所有屬性值都必須ISO8601格式。
`production_data.pre_processing_component`	String	註冊元件格式 `azureml:myPreprocessing@latest` 的元件識別碼。如果 `production_data.data.input_data.type` 為，則為，請參閱前置處理元件規格`uri_folder`。
`reference_data`	Object	選擇性。如果未指定，則會使用最近的過去生產數據作為比較基準數據。建議使用定型數據作為比較基準。
`reference_data.input_data`	Object	輸入數據來源的描述，請參閱作業輸入資料規格。
`reference_data.data_context`	String	數據的內容，是指數據集之前使用的內容	`model_inputs`、、 `training`、 `testvalidation`
`reference_data.data_column_names.target_column`	Object	選擇性。 `reference_data`如果為定型數據，則需要此屬性，才能監視數據漂移的前 N 個功能。
`reference_data.data_window`	Object	選擇性。要做為比較基準數據之參考數據的數據視窗。	只允許滾動數據視窗或固定資料視窗。若要使用滾動數據視窗，請指定 `reference_data.data_window.lookback_window_offset` 和 `reference_data.data_window.lookback_window_size` 屬性。若要使用固定資料視窗，請指定 `reference_data.data_window.window_start` 和 `reference_data.data_window.window_end` 屬性。所有屬性值都必須ISO8601格式。
`reference_data_data.pre_processing_component`	String	註冊元件格式 `azureml:myPreprocessing@latest` 的元件識別碼。如果為，則為，請參閱前置處理元件規格。`uri_folderreference_data.input_data.type`
`features`	Object	選擇性。要監視數據漂移的目標功能。某些模型可能有數百或數千個功能，建議一律指定感興趣的功能進行監視。	下列其中一個值：功能名稱 `features.top_n_feature_importance`、、或的清單 `all_features`	如果 `production_data.data_context` 為 `training`，則預設值`features.top_n_feature_importance = 10`為，否則預設值為`all_features`
`alert_enabled`	布林值	開啟/關閉監視訊號的警示通知。 `True` 或 `False`
`metric_thresholds`	Object	監視訊號的計量和臨界值屬性清單。超過閾值且 `alert_enabled` 為 `true`時，使用者會收到警示通知。
`metric_thresholds.numerical`	Object	選擇性。格式的計量和臨界 `key:value` 值清單， `key` 是計量名稱， `value` 是臨界值。	允許的數值計量名稱：`jensen_shannon_distance`、、`normalized_wasserstein_distance`、 `population_stability_indextwo_sample_kolmogorov_smirnov_test`
`metric_thresholds.categorical`	Object	選擇性。 'key：value' 格式的計量和臨界值清單，'key' 是計量名稱，'value' 是臨界值。	允許類別計量名稱：`jensen_shannon_distance`、、 `chi_squared_testpopulation_stability_index`

預測漂移

預測漂移會藉由比較模型預測輸出與驗證或測試標籤資料或最近的生產數據，來追蹤模型的預測輸出分佈變更。

機碼	類型	描述	允許的值	預設值
`type`	String	必要。監視訊號的類型。預先建置的監視訊號處理元件會根據 `type` 此處指定的自動載入。	`prediction_drift`	`prediction_drift`
`production_data`	Object	選擇性。要分析以監視訊號的生產數據描述。
`production_data.input_data`	Object	選擇性。輸入數據來源的描述，請參閱作業輸入資料規格。
`production_data.data_context`	String	數據的內容會參考模型生產數據，而且可能是模型輸入或模型輸出	`model_outputs`
`production_data.data_window`	Object	選擇性。要做為比較基準數據之參考數據的數據視窗。	只允許滾動數據視窗或固定資料視窗。若要使用滾動數據視窗，請指定 `production_data.data_window.lookback_window_offset` 和 `production_data.data_window.lookback_window_size` 屬性。若要使用固定資料視窗，請指定 `production_data.data_window.window_start` 和 `production_data.data_window.window_end` 屬性。所有屬性值都必須ISO8601格式。
`production_data.pre_processing_component`	String	註冊元件格式 `azureml:myPreprocessing@latest` 的元件識別碼。如果 `production_data.data.input_data.type` 為 `uri_folder`，則需要此專案。如需前置處理元件規格的詳細資訊，請參閱前置處理元件規格。
`reference_data`	Object	選擇性。如果未指定，則會使用最近的過去生產數據作為比較基準數據。建議使用定型數據作為比較基準。
`reference_data.input_data`	Object	輸入數據來源的描述，請參閱作業輸入資料規格。
`reference_data.data_context`	String	數據的內容，是指數據集之前使用的內容	`model_inputs`、、 `training`、 `testvalidation`
`reference_data.data_column_names.target_column`	Object	選擇性。如果「reference_data」是定型數據，則需要此屬性才能監視數據漂移的前 N 項功能。
`reference_data.data_window`	Object	選擇性。要做為比較基準數據之參考數據的數據視窗。	只允許滾動數據視窗或固定資料視窗。若要使用滾動數據視窗，請指定 `reference_data.data_window.lookback_window_offset` 和 `reference_data.data_window.lookback_window_size` 屬性。若要使用固定資料視窗，請指定 `reference_data.data_window.window_start` 和 `reference_data.data_window.window_end` 屬性。所有屬性值都必須ISO8601格式。
`reference_data_data.pre_processing_component`	String	註冊元件格式 `azureml:myPreprocessing@latest` 的元件識別碼。如果為，則為，請參閱前置處理元件規格。`uri_folderreference_data.input_data.type`
`features`	Object	選擇性。要監視數據漂移的目標功能。某些模型可能有數百或數千個功能，建議一律指定感興趣的功能進行監視。	下列其中一個值：功能名稱 `features.top_n_feature_importance`、、或的清單 `all_features`	如果 `production_data.data_context` 為 `training`，則預設值`features.top_n_feature_importance = 10`為，否則預設值為`all_features`
`alert_enabled`	布林值	開啟/關閉監視訊號的警示通知。 `True` 或 `False`
`metric_thresholds`	Object	監視訊號的計量和臨界值屬性清單。超過閾值且 `alert_enabled` 為 `true`時，使用者會收到警示通知。
`metric_thresholds.numerical`	Object	選擇性。 'key：value' 格式的計量和臨界值清單，'key' 是計量名稱，'value' 是臨界值。	允許的數值計量名稱：`jensen_shannon_distance`、、`normalized_wasserstein_distance`、 `population_stability_indextwo_sample_kolmogorov_smirnov_test`
`metric_thresholds.categorical`	Object	選擇性。 'key：value' 格式的計量和臨界值清單，'key' 是計量名稱，'value' 是臨界值。	允許類別計量名稱：`jensen_shannon_distance`、、 `chi_squared_testpopulation_stability_index`

資料品質

相較於定型數據或最近的生產數據，數據品質訊號會追蹤生產中的數據質量問題。

機碼	類型	描述	允許的值	預設值
`type`	String	必要。監視訊號的類型。預先建置的監視訊號處理元件會根據 `type` 此處指定的自動載入	`data_quality`	`data_quality`
`production_data`	Object	選擇性。要分析以監視訊號的生產數據描述。
`production_data.input_data`	Object	選擇性。輸入數據來源的描述，請參閱作業輸入資料規格。
`production_data.data_context`	String	數據的內容會參考模型生產數據，而且可能是模型輸入或模型輸出	`model_inputs`, `model_outputs`
`production_data.data_window`	Object	選擇性。要做為比較基準數據之參考數據的數據視窗。	只允許滾動數據視窗或固定資料視窗。若要使用滾動數據視窗，請指定 `production_data.data_window.lookback_window_offset` 和 `production_data.data_window.lookback_window_size` 屬性。若要使用固定資料視窗，請指定 `production_data.data_window.window_start` 和 `production_data.data_window.window_end` 屬性。所有屬性值都必須ISO8601格式。
`production_data.pre_processing_component`	String	註冊元件格式 `azureml:myPreprocessing@latest` 的元件識別碼。如果 `production_data.input_data.type` 為，則為，請參閱前置處理元件規格`uri_folder`。
`reference_data`	Object	選擇性。如果未指定，則會使用最近的過去生產數據作為比較基準數據。建議使用定型數據作為比較基準。
`reference_data.input_data`	Object	輸入數據來源的描述，請參閱作業輸入資料規格。
`reference_data.data_context`	String	數據的內容，是指數據集之前使用的內容	`model_inputs`、、 `model_outputs`、 `training`、 `test`、 `validation`
`reference_data.data_column_names.target_column`	Object	選擇性。如果「reference_data」是定型數據，則需要此屬性才能監視數據漂移的前 N 項功能。
`reference_data.data_window`	Object	選擇性。要做為比較基準數據之參考數據的數據視窗。	只允許滾動數據視窗或固定資料視窗。若要使用滾動數據視窗，請指定 `reference_data.data_window.lookback_window_offset` 和 `reference_data.data_window.lookback_window_size` 屬性。若要使用固定資料視窗，請指定 `reference_data.data_window.window_start` 和 `reference_data.data_window.window_end` 屬性。所有屬性值都必須ISO8601格式。
`reference_data.pre_processing_component`	String	註冊元件格式 `azureml:myPreprocessing@latest` 的元件識別碼。如果 `reference_data.input_data.type` 為，則為，請參閱前置處理元件規格`uri_folder`。
`features`	Object	選擇性。要監視數據質量的目標功能。有些模型可能有數百或數千個功能。建議一律指定用於監視的感興趣功能。	下列其中一個值：功能名稱 `features.top_n_feature_importance`、、或的清單 `all_features`	`features.top_n_feature_importance = 10`如果 `reference_data.data_context` 為 `training`，則預設為，否則預設值為`all_features`
`alert_enabled`	布林值	開啟/關閉監視訊號的警示通知。 `True` 或 `False`
`metric_thresholds`	Object	監視訊號的計量和臨界值屬性清單。超過閾值且 `alert_enabled` 為 `true`時，使用者會收到警示通知。
`metric_thresholds.numerical`	Object	選擇性的計量和臨界 `key:value` 值格式清單， `key` 是計量名稱， `value` 是臨界值。	允許的數值計量名稱：`data_type_error_rate`、、 `null_value_rateout_of_bounds_rate`
`metric_thresholds.categorical`	Object	選擇性的計量和臨界 `key:value` 值格式清單， `key` 是計量名稱， `value` 是臨界值。	允許類別計量名稱：`data_type_error_rate`、、 `null_value_rateout_of_bounds_rate`

特徵屬性漂移 (預覽)

模型的特徵屬性可能會隨著時間而變更，因為數據分佈變更、特徵之間的關聯性變更，或正在解決的基礎問題變更。特徵屬性漂移是一種現象，當特徵對預測輸出的重要性或貢獻隨著時間變化時，機器學習模型就會發生。

機碼	類型	描述	允許的值	預設值
`type`	String	必要。監視訊號的類型。預先建置的監視訊號處理元件會根據 `type` 此處指定的自動載入	`feature_attribution_drift`	`feature_attribution_drift`
`production_data`	Array	若未提供，則預設為與 Azure 機器學習端點相關聯的收集的數據。 `production_data`是數據集及其相關聯的元數據清單，它必須同時包含模型輸入和模型輸出數據。它可以是具有模型輸入和輸出的單一數據集，也可以是包含一個模型輸入和一個模型輸出的兩個不同的數據集。
`production_data.input_data`	Object	選擇性。輸入數據來源的描述，請參閱作業輸入資料規格。
`production_data.input_data.data_column_names`	Object	數據聯結所需的相互關聯數據行名稱和預測數據行名稱 `key:value` 格式。	允許的金鑰包括： `correlation_id`、 `target_column`
`production_data.data_context`	String	數據的內容。它是指生產模型輸入數據。	`model_inputs`、、 `model_outputsmodel_inputs_outputs`
`production_data.data_window`	Object	選擇性。要做為比較基準數據之參考數據的數據視窗。	只允許滾動數據視窗或固定資料視窗。若要使用滾動數據視窗，請指定 `production_data.data_window.lookback_window_offset` 和 `production_data.data_window.lookback_window_size` 屬性。若要使用固定資料視窗，請指定 `production_data.data_window.window_start` 和 `production_data.data_window.window_end` 屬性。所有屬性值都必須ISO8601格式。
`production_data.pre_processing_component`	String	註冊元件格式 `azureml:myPreprocessing@latest` 的元件識別碼。如果 `production_data.input_data.type` 為，則為，請參閱前置處理元件規格`uri_folder`。
`production_data.data_window_size`	String	選擇性。以ISO8601格式以天為單位的資料視窗大小，例如 `P7D`。這是要針對數據品質問題計算的生產數據視窗。	根據預設，數據視窗大小是最後一個監視期間。
`reference_data`	Object	選擇性。如果未指定，則會使用最近的過去生產數據作為比較基準數據。建議使用定型數據作為比較基準。
`reference_data.input_data`	Object	輸入數據來源的描述，請參閱作業輸入資料規格。
`reference_data.data_context`	String	數據的內容，是指數據集之前使用的內容。 Fro 特徵屬性漂移，只 `training` 允許數據。	`training`
`reference_data.data_column_names.target_column`	String	必要。
`reference_data.data_window`	Object	選擇性。要做為比較基準數據之參考數據的數據視窗。	只允許滾動數據視窗或固定資料視窗。若要使用滾動數據視窗，請指定 `reference_data.data_window.lookback_window_offset` 和 `reference_data.data_window.lookback_window_size` 屬性。若要使用固定資料視窗，請指定 `reference_data.data_window.window_start` 和 `reference_data.data_window.window_end` 屬性。所有屬性值都必須ISO8601格式。
`reference_data.pre_processing_component`	String	註冊元件格式 `azureml:myPreprocessing@latest` 的元件識別碼。如果 `reference_data.input_data.type` 為，則為，請參閱前置處理元件規格`uri_folder`。
`alert_enabled`	布林值	開啟/關閉監視訊號的警示通知。 `True` 或 `False`
`metric_thresholds`	Object	格式特徵屬性漂移 `key:value` 的計量名稱和臨界值，其中 `key` 是計量名稱，而 `value` 是臨界值。超過閾值且 `alert_enabled` 開啟時，使用者會收到警示通知。	允許的計量名稱： `normalized_discounted_cumulative_gain`

自定義監視訊號

透過自定義 Azure 機器學習元件自定義監視訊號。

機碼	類型	描述	允許的值	預設值
`type`	String	必要。監視訊號的類型。預先建置的監視訊號處理元件會根據 `type` 此處指定的自動載入。	`custom`	`custom`
`component_id`	String	必要。對應至自定義訊號的 Azure 機器學習元件標識碼。例如 `azureml:mycustomcomponent:1`
`input_data`	Object	選擇性。監視訊號所要分析的輸入數據描述，請參閱作業輸入數據規格。
`input_data.<data_name>.data_context`	String	數據的內容會參考模型生產數據，而且可能是模型輸入或模型輸出	`model_inputs`
`input_data.<data_name>.data_window`	Object	選擇性。要做為比較基準數據之參考數據的數據視窗。	只允許滾動數據視窗或固定資料視窗。若要使用滾動數據視窗，請指定 `input_data.<data_name>.data_window.lookback_window_offset` 和 `input_data.<data_name>.data_window.lookback_window_size` 屬性。若要使用固定資料視窗，請指定 `input_data.<data_name>.data_window.window_start` 和 `input_data.<data_name>.data_window.window_end` 屬性。所有屬性值都必須ISO8601格式。
`input_data.<data_name>.pre_processing_component`	String	註冊元件格式 `azureml:myPreprocessing@latest` 的元件識別碼。如果 `input_data.<data_name>.input_data.type` 為，則為，請參閱前置處理元件規格`uri_folder`。
`alert_enabled`	布林值	開啟/關閉監視訊號的警示通知。 `True` 或 `False`
`metric_thresholds.metric_name`	Object	自訂計量的名稱。
`threshold`	Object	自訂計量可接受的臨界值。

模型效能 (預覽)

模型效能會追蹤模型輸出在生產階段的目標效能，方法是將其與收集到的有根據事實資料進行比較。

機碼	類型	描述	允許的值	預設值
`type`	String	必要。監視訊號的類型。預先建置的監視訊號處理元件會根據 `type` 此處指定的自動載入	`model_performance`	`model_performance`
`production_data`	Array	若未提供，則預設為與 Azure 機器學習端點相關聯的收集數據。 `production_data`是數據集及其相關聯的元數據清單，它必須同時包含模型輸入和模型輸出數據。它可以是具有模型輸入和輸出的單一數據集，也可以是包含一個模型輸入和一個模型輸出的兩個不同的數據集。
`production_data.input_data`	Object	選擇性。輸入數據來源的描述，請參閱作業輸入資料規格。
`production_data.input_data.data_column_names`	Object	數據聯結所需的相互關聯數據行名稱和預測數據行名稱 `key:value` 格式。	允許的金鑰包括： `correlation_id`、 `target_column`
`production_data.data_context`	String	數據的內容。它是指生產模型輸入數據。	`model_inputs`、、 `model_outputsmodel_inputs_outputs`
`production_data.data_window`	Object	選擇性。要做為比較基準數據之參考數據的數據視窗。	只允許滾動數據視窗或固定資料視窗。若要使用滾動數據視窗，請指定 `production_data.data_window.lookback_window_offset` 和 `production_data.data_window.lookback_window_size` 屬性。若要使用固定資料視窗，請指定 `production_data.data_window.window_start` 和 `production_data.data_window.window_end` 屬性。所有屬性值都必須ISO8601格式。
`production_data.pre_processing_component`	String	註冊元件格式 `azureml:myPreprocessing@latest` 的元件識別碼。如果 `production_data.input_data.type` 為，則為，請參閱前置處理元件規格`uri_folder`。
`production_data.data_window_size`	String	選擇性。以ISO8601格式以天為單位的資料視窗大小，例如 `P7D`。這是要針對數據品質問題計算的生產數據視窗。	根據預設，數據視窗大小是最後一個監視期間。
`reference_data`	Object	選擇性。如果未指定，則會使用最近的過去生產數據作為比較基準數據。建議使用定型數據作為比較基準。
`reference_data.input_data`	Object	輸入數據來源的描述，請參閱作業輸入資料規格。
`reference_data.data_context`	String	數據的內容，是指數據集之前使用的內容。 Fro 特徵屬性漂移，只 `training` 允許數據。	`training`
`reference_data.data_column_names.target_column`	String	必要。
`reference_data.data_window`	Object	選擇性。要做為比較基準數據之參考數據的數據視窗。	只允許滾動數據視窗或固定資料視窗。若要使用滾動數據視窗，請指定 `reference_data.data_window.lookback_window_offset` 和 `reference_data.data_window.lookback_window_size` 屬性。若要使用固定資料視窗，請指定 `reference_data.data_window.window_start` 和 `reference_data.data_window.window_end` 屬性。所有屬性值都必須ISO8601格式。
`reference_data.pre_processing_component`	String	註冊元件格式 `azureml:myPreprocessing@latest` 的元件識別碼。如果 `reference_data.input_data.type` 為，則為，請參閱前置處理元件規格`uri_folder`。
`alert_enabled`	布林值	開啟/關閉監視訊號的警示通知。 `True` 或 `False`
`metric_thresholds.classification`	Object	選擇性的計量和臨界 `key:value` 值格式清單， `key` 是計量名稱， `value` 是臨界值。	允許的`classification`計量名稱：`accuracy`、、 `precisionrecall`
`metric_thresholds.regression`	Object	選擇性的計量和臨界 `key:value` 值格式清單， `key` 是計量名稱， `value` 是臨界值。	允許的`regression`計量名稱：`mae`、、 `msermse`

備註

命令az ml schedule可用於管理 Azure 機器學習模型。

範例

GitHub 存放庫範例中提供監視 CLI 範例。一對夫婦如下所示：

YAML：現用監視器

適用於：Azure CLI ml 延伸模組 v2 (目前)

# out-of-box-monitoring.yaml
$schema:  http://azureml/sdk-2-0/Schedule.json
name: credit_default_model_monitoring
display_name: Credit default model monitoring
description: Credit default model monitoring setup with minimal configurations

trigger:
  # perform model monitoring activity daily at 3:15am
  type: recurrence
  frequency: day #can be minute, hour, day, week, month
  interval: 1 # #every day
  schedule: 
    hours: 3 # at 3am
    minutes: 15 # at 15 mins after 3am

create_monitor:

  compute: # specify a spark compute for monitoring job
    instance_type: standard_e4s_v3
    runtime_version: "3.3"

  monitoring_target: 
    ml_task: classification # model task type: [classification, regression, question_answering]
    endpoint_deployment_id: azureml:credit-default:main # azureml endpoint deployment id

  alert_notification: # emails to get alerts
    emails:
      - abc@example.com
      - def@example.com

YAML：進階監視器