Καθώς οι τεχνολογίες Τεχνητής Νοημοσύνης (AI) και Μηχανικής Μάθησης (ML) έχουν γίνει κυρίαρχες, πολλές επιχειρήσεις έχουν καταφέρει να δημιουργήσουν κρίσιμες επιχειρηματικές εφαρμογές που τροφοδοτούνται από μοντέλα ML σε κλίμακα παραγωγής. Ωστόσο, δεδομένου ότι αυτά τα μοντέλα ML λαμβάνουν κρίσιμες επιχειρηματικές αποφάσεις για την επιχείρηση, είναι σημαντικό για τις επιχειρήσεις να προσθέτουν κατάλληλα προστατευτικά κιγκλιδώματα καθ' όλη τη διάρκεια του κύκλου ζωής τους ML. Τα προστατευτικά κιγκλιδώματα διασφαλίζουν ότι η ασφάλεια, το απόρρητο και η ποιότητα του κώδικα, της διαμόρφωσης και των δεδομένων και της διαμόρφωσης μοντέλου που χρησιμοποιούνται στον κύκλο ζωής του μοντέλου έχουν εκδοθεί και διατηρηθεί.
Η εφαρμογή αυτών των προστατευτικών κιγκλιδωμάτων γίνεται πιο δύσκολη για τις επιχειρήσεις, επειδή οι διαδικασίες και οι δραστηριότητες ML εντός των επιχειρήσεων γίνονται πιο περίπλοκες λόγω της συμπερίληψης διαδικασιών που εμπλέκονται σε βάθος που απαιτούν συνεισφορές από πολλούς ενδιαφερόμενους και πρόσωπα. Εκτός από τους μηχανικούς δεδομένων και τους επιστήμονες δεδομένων, έχουν συμπεριληφθεί επιχειρησιακές διαδικασίες για την αυτοματοποίηση και τον εξορθολογισμό του κύκλου ζωής της ML. Επιπλέον, η αύξηση των επιχειρηματικών συμμετόχων και, σε ορισμένες περιπτώσεις, οι νομικές αναθεωρήσεις και οι αναθεωρήσεις συμμόρφωσης χρειάζονται δυνατότητες για να προσθέσουν διαφάνεια για τη διαχείριση του ελέγχου πρόσβασης, της παρακολούθησης δραστηριότητας και της αναφοράς σε όλο τον κύκλο ζωής του ML.
Το πλαίσιο που δίνει συστηματική προβολή στην ανάπτυξη, την επικύρωση και τη χρήση μοντέλων ML ονομάζεται διακυβέρνηση ML. Κατά τη διάρκεια του AWS re:Invent 2022, Η AWS παρουσίασε νέα εργαλεία διακυβέρνησης ML for Amazon Sage Maker που απλοποιεί τον έλεγχο πρόσβασης και ενισχύει τη διαφάνεια στα έργα σας ML. Ένα από τα διαθέσιμα εργαλεία ως μέρος της διακυβέρνησης ML είναι Κάρτες μοντέλου Amazon SageMaker, το οποίο έχει τη δυνατότητα να δημιουργεί μια ενιαία πηγή αλήθειας για πληροφορίες μοντέλου συγκεντρώνοντας και τυποποιώντας την τεκμηρίωση σε όλο τον κύκλο ζωής του μοντέλου.
Οι κάρτες μοντέλων SageMaker σάς επιτρέπουν να τυποποιήσετε τον τρόπο τεκμηρίωσης των μοντέλων, επιτυγχάνοντας έτσι ορατότητα στον κύκλο ζωής ενός μοντέλου, από το σχεδιασμό, την κατασκευή, την εκπαίδευση και την αξιολόγηση. Οι κάρτες μοντέλων προορίζονται να αποτελέσουν μια ενιαία πηγή αλήθειας για επιχειρηματικά και τεχνικά μεταδεδομένα σχετικά με το μοντέλο που μπορούν να χρησιμοποιηθούν αξιόπιστα για σκοπούς ελέγχου και τεκμηρίωσης. Παρέχουν ένα ενημερωτικό δελτίο του μοντέλου που είναι σημαντικό για τη διακυβέρνηση του μοντέλου.
Καθώς κλιμακώνετε τα μοντέλα, τα έργα και τις ομάδες σας, ως βέλτιστη πρακτική συνιστούμε να υιοθετήσετε μια στρατηγική πολλών λογαριασμών που παρέχει απομόνωση έργου και ομάδας για την ανάπτυξη και την ανάπτυξη μοντέλων ML. Για περισσότερες πληροφορίες σχετικά με τη βελτίωση της διακυβέρνησης των μοντέλων σας ML, ανατρέξτε στο Βελτιώστε τη διακυβέρνηση των μοντέλων μηχανικής εκμάθησης με το Amazon SageMaker.
Επισκόπηση αρχιτεκτονικής
Η αρχιτεκτονική υλοποιείται ως εξής:
- Λογαριασμός Επιστήμης Δεδομένων – Οι Επιστήμονες Δεδομένων πραγματοποιούν τα πειράματά τους σε SageMaker Στούντιο και να δημιουργήσετε μια ρύθμιση MLOps για την ανάπτυξη μοντέλων σε περιβάλλοντα σκηνής/παραγωγής χρησιμοποιώντας SageMaker Projects.
- Λογαριασμός ML Shared Services – Τα MLOps που έχουν δημιουργηθεί από τον λογαριασμό Data Science θα ενεργοποιήσουν αγωγούς συνεχούς ενοποίησης και συνεχούς παράδοσης (CI/CD) χρησιμοποιώντας AWS CodeCommit και Αγωγός κώδικα AWS.
- Λογαριασμός προγραμματιστή – Οι αγωγοί CI/CD θα ενεργοποιήσουν περαιτέρω αγωγούς ML σε αυτόν τον λογαριασμό που καλύπτουν την προεπεξεργασία δεδομένων, την εκπαίδευση μοντέλων και τη μεταγενέστερη επεξεργασία, όπως αξιολόγηση και καταχώριση μοντέλων. Η έξοδος αυτών των αγωγών θα αναπτύξει το μοντέλο Καταληκτικά σημεία του SageMaker να καταναλωθεί για λόγους συμπερασμάτων. Ανάλογα με τις απαιτήσεις διακυβέρνησής σας, οι λογαριασμοί Data Science & Dev μπορούν να συγχωνευθούν σε έναν ενιαίο λογαριασμό AWS.
- Λογαριασμός δεδομένων – Οι αγωγοί ML που εκτελούνται στον λογαριασμό προγραμματιστή θα αντλήσουν τα δεδομένα από αυτόν τον λογαριασμό.
- Λογαριασμοί δοκιμής και παραγωγής – Οι αγωγοί CI/CD θα συνεχίσουν την ανάπτυξη μετά τον λογαριασμό προγραμματιστή για να ρυθμίσουν τη διαμόρφωση τελικού σημείου SageMaker σε αυτούς τους λογαριασμούς.
- Ασφάλεια και διακυβέρνηση – Υπηρεσίες όπως το AWS Identity and Access Management (IAM), το AWS IAM Identity Center, το AWS CloudTrail, το AWS Key Management Service (AWS KMS), το Amazon CloudWatch και το AWS Security Hub θα χρησιμοποιηθούν σε αυτούς τους λογαριασμούς ως μέρος ασφάλειας και διακυβέρνηση.
Το παρακάτω διάγραμμα απεικονίζει αυτή την αρχιτεκτονική.
Για περισσότερες πληροφορίες σχετικά με τη ρύθμιση κλιμακούμενης αρχιτεκτονικής ML πολλών λογαριασμών, ανατρέξτε στο Ίδρυμα MLOps για επιχειρήσεις με το Amazon SageMaker.
Οι πελάτες μας χρειάζονται τη δυνατότητα να μοιράζονται κάρτες μοντέλων μεταξύ λογαριασμών για να βελτιώσουν την προβολή και τη διακυβέρνηση των μοντέλων τους μέσω των πληροφοριών που κοινοποιούνται στην κάρτα μοντέλου. Τώρα, με την κοινή χρήση καρτών μοντέλων μεταξύ λογαριασμών, οι πελάτες μπορούν να απολαμβάνουν τα πλεονεκτήματα της στρατηγικής πολλών λογαριασμών, ενώ έχουν πρόσβαση στα διαθέσιμα μοντέλα καρτών στον οργανισμό τους, ώστε να μπορούν να επιταχύνουν τη συνεργασία και να διασφαλίζουν τη διακυβέρνηση.
Σε αυτήν την ανάρτηση, δείχνουμε πώς να ρυθμίζετε και να έχετε πρόσβαση σε κάρτες μοντέλων σε λογαριασμούς Κύκλου Ζωής Ανάπτυξης Μοντέλου (MDLC) χρησιμοποιώντας τη νέα δυνατότητα κοινής χρήσης μεταξύ λογαριασμών της κάρτας μοντέλου. Αρχικά, θα περιγράψουμε ένα σενάριο και μια αρχιτεκτονική για τη ρύθμιση της δυνατότητας κοινής χρήσης μεταξύ λογαριασμών της κάρτας μοντέλου και, στη συνέχεια, θα εμβαθύνουμε σε κάθε στοιχείο του τρόπου ρύθμισης και πρόσβασης σε κοινόχρηστες κάρτες μοντέλων σε όλους τους λογαριασμούς για να βελτιώσουμε την προβολή και τη διακυβέρνηση του μοντέλου.
Επισκόπηση λύσεων
Κατά τη δημιουργία μοντέλων ML, συνιστούμε να ρυθμίσετε μια αρχιτεκτονική πολλών λογαριασμών για την παροχή απομόνωσης φόρτου εργασίας βελτιώνοντας την ασφάλεια, την αξιοπιστία και την επεκτασιμότητα. Για αυτήν την ανάρτηση, θα υποθέσουμε ότι θα δημιουργήσουμε και θα αναπτύξουμε ένα μοντέλο για την περίπτωση χρήσης Customer Churn. Το διάγραμμα αρχιτεκτονικής που ακολουθεί δείχνει μία από τις συνιστώμενες προσεγγίσεις – την κεντρική κάρτα μοντέλου – για τη διαχείριση μιας κάρτας μοντέλου σε μια αρχιτεκτονική πολλαπλών λογαριασμών Machine Learning Model-Development Lifecycle (MDLC). Ωστόσο, μπορείτε επίσης να υιοθετήσετε μια άλλη προσέγγιση, μια κάρτα μοντέλου hub-and-spoke. Σε αυτήν την ανάρτηση, θα εστιάσουμε μόνο σε μια κεντρική προσέγγιση κάρτας μοντέλου, αλλά οι ίδιες αρχές μπορούν να επεκταθούν σε μια προσέγγιση hub-and-spoke. Η κύρια διαφορά είναι ότι κάθε λογαριασμός ακτίνας θα διατηρεί τη δική του έκδοση της κάρτας μοντέλου και θα έχει διαδικασίες για τη συγκέντρωση και την αντιγραφή σε έναν κεντρικό λογαριασμό.
Το παρακάτω διάγραμμα απεικονίζει αυτή την αρχιτεκτονική.
Η αρχιτεκτονική υλοποιείται ως εξής:
- Ο Lead Data Scientist ειδοποιείται να λύσει την περίπτωση χρήσης Customer Churn χρησιμοποιώντας ML και ξεκινά το έργο ML μέσω της δημιουργίας μιας κάρτας μοντέλου για το μοντέλο Customer Churn V1 σε κατάσταση Draft στον λογαριασμό ML Shared Services
- Μέσω της αυτοματοποίησης, αυτή η κάρτα μοντέλου μοιράζεται με τον λογαριασμό προγραμματιστή ML
- Το Data Scientist δημιουργεί το μοντέλο και αρχίζει να συμπληρώνει πληροφορίες μέσω API στην κάρτα μοντέλου με βάση τα αποτελέσματα του πειραματισμού και η κατάσταση της κάρτας μοντέλου έχει οριστεί σε Εκκρεμεί έλεγχος
- Μέσω της αυτοματοποίησης, αυτή η κάρτα μοντέλου κοινοποιείται στον λογαριασμό δοκιμής ML
- Το ML Engineer (MLE) εκτελεί δοκιμές ενοποίησης και επικύρωσης στον λογαριασμό ML Test και το μοντέλο στο κεντρικό μητρώο φέρει την επισήμανση Σε εκκρεμότητα έγκρισης
- Το Model Approver εξετάζει τα αποτελέσματα του μοντέλου με την υποστηρικτική τεκμηρίωση που παρέχεται στην κεντρική κάρτα μοντέλου και εγκρίνει την κάρτα μοντέλου για ανάπτυξη παραγωγής.
- Μέσω της αυτοματοποίησης, αυτή η κάρτα μοντέλου μοιράζεται με τον λογαριασμό ML Prod σε λειτουργία μόνο για ανάγνωση.
Προϋποθέσεις
Πριν ξεκινήσετε, βεβαιωθείτε ότι έχετε τις ακόλουθες προϋποθέσεις:
- Δύο Λογαριασμοί AWS.
- Και στους δύο λογαριασμούς AWS, ένας ρόλος ομοσπονδίας IAM με πρόσβαση διαχειριστή για να κάνει τα εξής:
- Δημιουργήστε, επεξεργαστείτε, προβάλετε και διαγράψτε κάρτες μοντέλων στο Amazon SageMaker.
- Δημιουργήστε, επεξεργαστείτε, προβάλετε και διαγράψτε το κοινόχρηστο στοιχείο πόρων εντός της AWS RAM.
Για περισσότερες πληροφορίες, ανατρέξτε στο Παραδείγματα πολιτικών IAM για AWS RAM.
Ρύθμιση κοινής χρήσης κάρτας μοντέλου
Ο λογαριασμός όπου δημιουργούνται οι κάρτες μοντέλου είναι ο λογαριασμός της κάρτας μοντέλου. Οι χρήστες του μοντέλου λογαριασμού κάρτας τις μοιράζονται με τους κοινόχρηστους λογαριασμούς όπου μπορούν να ενημερωθούν. Οι χρήστες στον λογαριασμό κάρτας μοντέλου μπορούν να μοιράζονται τις κάρτες μοντέλων τους μέσω Διαχείριση πρόσβασης πόρων AWS (AWS RAM). Η AWS RAM σάς βοηθά να μοιράζεστε πόρους σε λογαριασμούς AWS.
Στην επόμενη ενότητα, δείχνουμε πώς να μοιράζεστε κάρτες μοντέλων.
Αρχικά, δημιουργήστε ένα μοντέλο κάρτας για μια περίπτωση χρήσης Customer Churn όπως περιγράφηκε προηγουμένως. Στην κονσόλα Amazon SageMaker, αναπτύξτε την ενότητα Διακυβέρνηση και επιλέξτε Μοντέλες κάρτες.
Δημιουργούμε την κάρτα μοντέλου μέσα Βύθισμα κατάσταση με το όνομα Πελάτης-Churn-Model-Card. Για περισσότερες πληροφορίες, ανατρέξτε στο Δημιουργήστε μια κάρτα μοντέλου. Σε αυτήν την επίδειξη, μπορείτε να αφήσετε τα υπόλοιπα πεδία κενά και να δημιουργήσετε την κάρτα μοντέλου.
Εναλλακτικά, μπορείτε να χρησιμοποιήσετε την ακόλουθη εντολή AWS CLI για να δημιουργήσετε την κάρτα μοντέλου:
Τώρα, δημιουργήστε το κοινόχρηστο στοιχείο μεταξύ λογαριασμών χρησιμοποιώντας AWS RAM. Στην κονσόλα RAM AWS, επιλέξτε Δημιουργήστε ένα κοινόχρηστο πόρο.
Εισαγάγετε ένα όνομα για το κοινόχρηστο στοιχείο πόρου, για παράδειγμα "Customer-Churn-Model-Card-Share". Στους πόρους - προαιρετικός ενότητα, επιλέξτε τον τύπο πόρου ως Κάρτες μοντέλου SageMaker. Η κάρτα μοντέλου που δημιουργήσαμε στο προηγούμενο βήμα θα εμφανιστεί στη λίστα.
Επιλέξτε αυτό το μοντέλο και θα εμφανιστεί στην ενότητα Επιλεγμένοι πόροι. Επιλέξτε ξανά αυτόν τον πόρο όπως φαίνεται στα παρακάτω βήματα και επιλέξτε Επόμενο.
Στην επόμενη σελίδα, μπορείτε να επιλέξετε τα Διαχειριζόμενα δικαιώματα. Μπορείτε να δημιουργήσετε προσαρμοσμένα δικαιώματα ή να χρησιμοποιήσετε την προεπιλεγμένη επιλογή "AWSRAMPermissionSageMakerModelCards
"Και επιλέξτε Επόμενο. Για περισσότερες πληροφορίες, ανατρέξτε στο Διαχείριση δικαιωμάτων στη μνήμη RAM AWS.
Στην επόμενη σελίδα, μπορείτε να επιλέξετε Principals. Στην περιοχή Επιλογή κύριου τύπου, επιλέξτε Λογαριασμός AWS και εισαγάγετε το αναγνωριστικό του λογαριασμού της κοινής χρήσης της κάρτας μοντέλου. Επιλέγω Πρόσθεση και συνεχίστε στην επόμενη σελίδα.
Στην τελευταία σελίδα, ελέγξτε τις πληροφορίες και επιλέξτε «Δημιουργία κοινής χρήσης πόρων». Εναλλακτικά, μπορείτε να χρησιμοποιήσετε τα παρακάτω AWS CLI εντολή για τη δημιουργία κοινής χρήσης πόρων:
Στην κονσόλα RAM AWS, βλέπετε τα χαρακτηριστικά του μεριδίου πόρων. Βεβαιωθείτε ότι οι κοινόχρηστοι πόροι, τα διαχειριζόμενα δικαιώματα και οι κοινόχρηστες αρχές βρίσκονται στο "Associated
"κατάσταση.
Αφού χρησιμοποιήσετε τη μνήμη RAM AWS για να δημιουργήσετε ένα κοινόχρηστο στοιχείο πόρου, οι αρχές που καθορίζονται στο κοινόχρηστο στοιχείο πόρων μπορούν να έχουν πρόσβαση στους πόρους του κοινόχρηστου στοιχείου.
- Εάν ενεργοποιήσετε την κοινή χρήση AWS RAM με οργανισμούς AWS και οι εντολείς σας με τους οποίους μοιράζεστε είναι στον ίδιο οργανισμό με τον κοινόχρηστο λογαριασμό, αυτοί οι κύριοι μπορούν να λάβουν πρόσβαση μόλις ο διαχειριστής του λογαριασμού τους τους χορηγήσει δικαιώματα.
- Εάν δεν ενεργοποιήσετε την κοινή χρήση AWS RAM με Οργανισμούς, μπορείτε ακόμα να μοιράζεστε πόρους με μεμονωμένους λογαριασμούς AWS που βρίσκονται στον οργανισμό σας. Ο διαχειριστής στον καταναλωτή λογαριασμό λαμβάνει μια πρόσκληση να συμμετάσχει στο κοινόχρηστο στοιχείο πόρων και πρέπει να αποδεχτεί την πρόσκληση προτού οι κύριοι που καθορίζονται στο κοινόχρηστο στοιχείο πόρου έχουν πρόσβαση στους κοινόχρηστους πόρους.
- Μπορείτε επίσης να κάνετε κοινή χρήση με λογαριασμούς εκτός του οργανισμού σας, εάν ο τύπος πόρου το υποστηρίζει. Ο διαχειριστής στον καταναλωτή λογαριασμό λαμβάνει μια πρόσκληση να συμμετάσχει στο κοινόχρηστο στοιχείο πόρων και πρέπει να αποδεχτεί την πρόσκληση προτού οι κύριοι που καθορίζονται στο κοινόχρηστο στοιχείο πόρου έχουν πρόσβαση στους κοινόχρηστους πόρους.
Για περισσότερες πληροφορίες σχετικά με το AWS RAM, ανατρέξτε στο Όροι και έννοιες για AWS RAM.
Πρόσβαση σε κοινόχρηστες κάρτες μοντέλων
Τώρα μπορούμε να συνδεθούμε στον κοινόχρηστο λογαριασμό AWS για να αποκτήσουμε πρόσβαση στην κάρτα μοντέλου. Βεβαιωθείτε ότι έχετε πρόσβαση στην κονσόλα AWS χρησιμοποιώντας δικαιώματα IAM (ρόλος IAM) που επιτρέπουν την πρόσβαση στη μνήμη RAM AWS.
Με το AWS RAM, μπορείτε να δείτε τα κοινόχρηστα στοιχεία πόρων στα οποία έχετε προστεθεί, τους κοινόχρηστους πόρους στους οποίους μπορείτε να έχετε πρόσβαση και τους λογαριασμούς AWS που έχουν κοινόχρηστους πόρους μαζί σας. Μπορείτε επίσης να αφήσετε ένα κοινόχρηστο στοιχείο πόρου όταν δεν χρειάζεστε πλέον πρόσβαση στους κοινόχρηστους πόρους του.
Για να προβάλετε την κάρτα μοντέλου στον κοινόχρηστο λογαριασμό AWS:
- Πλοηγηθείτε με το Κοινή χρήση με εμένα: Κοινόχρηστοι πόροι σελίδα στην κονσόλα RAM AWS.
- Βεβαιωθείτε ότι λειτουργείτε στην ίδια περιοχή AWS όπου δημιουργήθηκε το κοινόχρηστο στοιχείο.
- Το μοντέλο που κοινοποιείται από τον λογαριασμό μοντέλου θα είναι διαθέσιμο στην καταχώριση. Εάν υπάρχει μεγάλη λίστα πόρων, τότε μπορείτε να εφαρμόσετε ένα φίλτρο για να βρείτε συγκεκριμένους κοινόχρηστους πόρους. Μπορείτε να εφαρμόσετε πολλά φίλτρα για να περιορίσετε την αναζήτησή σας.
- Οι ακόλουθες πληροφορίες είναι διαθέσιμες:
- Αναγνωριστικό πόρου – Το αναγνωριστικό του πόρου. Αυτό είναι το όνομα του μοντέλου κάρτας που δημιουργήσαμε νωρίτερα στον λογαριασμό κάρτας μοντέλου.
- Τύπος πόρων – Το είδος του πόρου.
- Ημερομηνία τελευταίας κοινοποίησης – Η ημερομηνία κατά την οποία κοινοποιήθηκε ο πόρος μαζί σας.
- Μερίδια πόρων – Ο αριθμός των μεριδίων πόρων στα οποία περιλαμβάνεται ο πόρος. Επιλέξτε την τιμή για να δείτε τα κοινόχρηστα στοιχεία πόρων.
- Ταυτότητα ιδιοκτήτη – Το αναγνωριστικό του εντολέα που κατέχει τον πόρο.
Μπορείτε επίσης να αποκτήσετε πρόσβαση στην κάρτα μοντέλου χρησιμοποιώντας την επιλογή AWS CLI. Για την πολιτική AWS IAM που έχει διαμορφωθεί με τα σωστά διαπιστευτήρια, βεβαιωθείτε ότι έχετε δικαιώματα δημιουργίας, επεξεργασίας και διαγραφής καρτών μοντέλων στο Amazon SageMaker. Για περισσότερες πληροφορίες, ανατρέξτε στο Διαμορφώστε το AWS CLI.
Μπορείτε να χρησιμοποιήσετε την ακόλουθη πολιτική αδειών AWS IAM ως πρότυπο:
Μπορείτε να εκτελέσετε την ακόλουθη εντολή AWS CLI για πρόσβαση στις λεπτομέρειες της κοινόχρηστης κάρτας μοντέλου.
Τώρα μπορείτε να κάνετε αλλαγές σε αυτό το μοντέλο κάρτας από αυτόν τον λογαριασμό.
Αφού κάνετε τις αλλαγές, επιστρέψτε στον λογαριασμό της κάρτας μοντέλου για να δείτε τις αλλαγές που πραγματοποιήσαμε σε αυτόν τον κοινόχρηστο λογαριασμό.
Ο τύπος προβλήματος έχει ενημερωθεί σε "Customer Churn Model
” που είχαμε παράσχει ως μέρος της εισόδου εντολών AWS CLI.
εκκαθάριση
Τώρα μπορείτε να διαγράψετε την κάρτα μοντέλου που δημιουργήσατε. Βεβαιωθείτε ότι έχετε διαγράψει το κοινόχρηστο στοιχείο πόρων AWS RAM που δημιουργήσατε για κοινή χρήση της κάρτας μοντέλου.
Συμπέρασμα
Σε αυτήν την ανάρτηση, παρέχουμε μια επισκόπηση της αρχιτεκτονικής πολλών λογαριασμών για την κλιμάκωση και τη διαχείριση του φόρτου εργασίας ML με ασφάλεια και αξιοπιστία. Συζητήσαμε τα πρότυπα αρχιτεκτονικής για τη ρύθμιση της κοινής χρήσης καρτών μοντέλων και παρουσιάσαμε πώς λειτουργούν τα κεντρικά πρότυπα κοινής χρήσης καρτών μοντέλων. Τέλος, ρυθμίσαμε την κοινή χρήση καρτών μοντέλων σε πολλούς λογαριασμούς για τη βελτίωση της προβολής και της διακυβέρνησης στον κύκλο ζωής ανάπτυξης του μοντέλου σας. Σας ενθαρρύνουμε να δοκιμάσετε τη λειτουργία κοινής χρήσης κάρτας νέου μοντέλου και να μας πείτε τα σχόλιά σας.
Σχετικά με τους συγγραφείς
Vishal Naik είναι αρχιτέκτονας λύσεων Sr. στο Amazon Web Services (AWS). Είναι κατασκευαστής που του αρέσει να βοηθά τους πελάτες να εκπληρώσουν τις επιχειρηματικές τους ανάγκες και να λύσουν περίπλοκες προκλήσεις με λύσεις και βέλτιστες πρακτικές AWS. Ο βασικός τομέας εστίασής του περιλαμβάνει τη Μηχανική Μάθηση, τα DevOps και τα Containers. Στον ελεύθερο χρόνο του, ο Βισάλ λατρεύει να κάνει ταινίες μικρού μήκους για ταξίδια στο χρόνο και εναλλακτικά θέματα του σύμπαντος.
Ραμ Βιτάλ είναι κύριος αρχιτέκτονας λύσεων ML στην AWS. Έχει πάνω από 20 χρόνια εμπειρία στην αρχιτεκτονική και την κατασκευή εφαρμογών κατανεμημένων, υβριδικών και cloud εφαρμογών. Είναι παθιασμένος με τη δημιουργία ασφαλών και επεκτάσιμων λύσεων AI/ML και μεγάλων δεδομένων για να βοηθήσει τους εταιρικούς πελάτες με το ταξίδι υιοθέτησης και βελτιστοποίησης του cloud για να βελτιώσουν τα επιχειρηματικά τους αποτελέσματα. Στον ελεύθερο χρόνο του, καβαλάει τη μηχανή του και περπατάει με το 2χρονο sheep-a-doodle του!
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- PlatoESG. Αυτοκίνητο / EVs, Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- ChartPrime. Ανεβάστε το Trading Game σας με το ChartPrime. Πρόσβαση εδώ.
- BlockOffsets. Εκσυγχρονισμός της περιβαλλοντικής αντιστάθμισης ιδιοκτησίας. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/use-amazon-sagemaker-model-card-sharing-to-improve-model-governance/
- :έχει
- :είναι
- :που
- $UP
- 10
- 100
- 20
- 20 χρόνια
- 2022
- 361
- 7
- 700
- 9
- a
- Σχετικα
- επιταχύνουν
- Αποδέχομαι
- πρόσβαση
- προσιτότητα
- πρόσβαση
- ολοκληρώσει
- Λογαριασμός
- Λογαριασμοί
- την επίτευξη
- απέναντι
- Ενέργειες
- δραστηριοτήτων
- δραστηριότητα
- προσθέτω
- προστιθέμενη
- Επιπλέον
- Επιπλέον
- ενστερνίζομαι
- Υιοθεσία
- Μετά το
- πάλι
- σύνολο
- AI
- AI / ML
- επιτρέπουν
- Επίσης
- Amazon
- Amazon Sage Maker
- Amazon υπηρεσίες Web
- Amazon Web Services (AWS)
- an
- και
- Άλλος
- APIs
- εμφανίζομαι
- εφαρμογές
- Εφαρμογή
- πλησιάζω
- προσεγγίσεις
- αρχιτεκτονική
- ΕΙΝΑΙ
- ΠΕΡΙΟΧΗ
- τεχνητός
- τεχνητή νοημοσύνη
- Τεχνητή νοημοσύνη (AI)
- AS
- υποθέτω
- At
- γνωρίσματα
- λογιστικού ελέγχου
- αυτοματοποίηση
- Αυτοματοποίηση
- διαθέσιμος
- AWS
- Διαχείριση ταυτότητας και πρόσβασης AWS (IAM)
- AWS re: Εφευρέστε
- πίσω
- βασίζονται
- BE
- επειδή
- γίνονται
- να γίνει
- ήταν
- πριν
- οφέλη
- ΚΑΛΎΤΕΡΟΣ
- βέλτιστες πρακτικές
- Μεγάλος
- Big Data
- και οι δύο
- χτίζω
- Builder
- Κτίριο
- Χτίζει
- επιχείρηση
- Επιχειρηματικές εφαρμογές
- αλλά
- by
- που ονομάζεται
- CAN
- δυνατότητες
- ικανότητα
- κάρτα
- Κάρτες
- περίπτωση
- περιπτώσεις
- Κέντρο
- κεντρικός
- κεντρική
- προκλήσεις
- Αλλαγές
- Επιλέξτε
- Backup
- υιοθέτηση νέφους
- κωδικός
- συνεργασία
- συγκρότημα
- Συμμόρφωση
- συστατικό
- έννοιες
- Διεξαγωγή
- διαμόρφωση
- έχει ρυθμιστεί
- πρόξενος
- καταναλώνεται
- Εμπορευματοκιβώτια
- ΣΥΝΕΧΕΙΑ
- συνεχής
- συνεισφορές
- έλεγχος
- πυρήνας
- διορθώσει
- κάλυμμα
- δημιουργία
- δημιουργήθηκε
- δημιουργία
- Διαπιστεύσεις
- κρίσιμης
- έθιμο
- πελάτης
- Πελάτες
- ημερομηνία
- επιστημονικά δεδομένα
- επιστήμονας δεδομένων
- Ημερομηνία
- αποφάσεις
- βαθύς
- Προεπιλογή
- διανομή
- Σε συνάρτηση
- παρατάσσω
- ανάπτυξη
- ανάπτυξη
- περιγράφουν
- περιγράφεται
- σχέδιο
- καθέκαστα
- Dev
- Ανάπτυξη
- διαφορά
- συζήτηση
- διανέμονται
- κατάδυση
- do
- τεκμηρίωση
- Μην
- προσχέδιο
- δυο
- κατά την διάρκεια
- κάθε
- Νωρίτερα
- αποτέλεσμα
- ενεργοποιήσετε
- ενθαρρύνει
- Τελικό σημείο
- μηχανικός
- Μηχανικοί
- Ενισχύει
- απολαύσετε
- εξασφαλίζω
- εισάγετε
- Εταιρεία
- επιχειρήσεις
- περιβάλλοντα
- εκτίμηση
- παράδειγμα
- Ανάπτυξη
- εμπειρία
- πειράματα
- γεγονός
- Χαρακτηριστικό
- Ομοσπονδία
- ανατροφοδότηση
- Πεδία
- ταινίες
- φιλτράρισμα
- Φίλτρα
- Τελικά
- Εύρεση
- Όνομα
- Συγκέντρωση
- Εξής
- εξής
- Για
- Θεμέλιο
- Πλαίσιο
- από
- περαιτέρω
- παίρνω
- να πάρει
- δίνει
- Go
- διακυβέρνησης
- διακυβέρνηση
- χορηγείται
- επιχορηγήσεις
- είχε
- σκληρότερα
- Έχω
- που έχει
- he
- βοήθεια
- βοήθεια
- βοηθά
- του
- Πως
- Πώς να
- Ωστόσο
- HTML
- HTTPS
- Hub
- Υβριδικό
- ID
- Ταυτότητα
- if
- απεικονίζει
- εφαρμοστεί
- σημαντικό
- βελτίωση
- βελτίωση
- in
- περιλαμβάνονται
- περιλαμβάνει
- συμπερίληψη
- ατομικές
- πληροφορίες
- εισαγωγή
- ολοκλήρωση
- Νοημοσύνη
- προορίζονται
- σε
- εισήγαγε
- πρόσκληση
- συμμετέχουν
- απομόνωση
- IT
- ΤΟΥ
- ενταχθούν
- ταξίδι
- jpg
- Κλειδί
- Ξέρω
- Επίθετο
- μάθηση
- Άδεια
- Νομικά
- ας
- κύκλος ζωής
- Μου αρέσει
- Λιστα
- λίστα
- κούτσουρο
- Μακριά
- πλέον
- αγαπά
- μηχανή
- μάθηση μηχανής
- που
- Κυρίως
- Mainstream
- διατηρήσουν
- κάνω
- Κατασκευή
- διαχειρίζεται
- διαχείριση
- διευθυντής
- διαχείριση
- πολοί
- μαρκαρισμένος
- me
- Μεταδεδομένα
- ML
- MLOps
- Τρόπος
- μοντέλο
- μοντέλα
- περισσότερο
- μοτοσυκλέτα
- πολλαπλών
- πολλαπλούς
- πρέπει
- όνομα
- στενός
- Ανάγκη
- ανάγκες
- Νέα
- επόμενη
- Όχι.
- τώρα
- αριθμός
- of
- on
- ONE
- αποκλειστικά
- λειτουργίας
- επιχειρήσεων
- βελτιστοποίηση
- Επιλογή
- or
- επιχειρήσεις
- οργανώσεις
- έξω
- αποτελέσματα
- παραγωγή
- εκτός
- επί
- επισκόπηση
- δική
- ανήκει
- σελίδα
- μέρος
- παθιασμένος
- πρότυπα
- εκκρεμής
- δικαιώματα
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- Πολιτικές
- πολιτική
- Θέση
- τροφοδοτείται
- πρακτική
- πρακτικές
- προαπαιτούμενα
- προηγούμενος
- προηγουμένως
- Κύριος
- διευθυντές
- αρχές
- μυστικότητα
- Πρόβλημα
- Διεργασίες
- μεταποίηση
- παραγωγή
- σχέδιο
- έργα
- κατάλληλος
- παρέχουν
- παρέχεται
- παρέχει
- σκοποί
- ποιότητα
- RAM
- RE
- Λειτουργία μόνο για ανάγνωση
- λαμβάνω
- λαμβάνει
- συνιστώ
- συνιστάται
- περιοχή
- Εγγραφή
- μητρώου
- αξιοπιστία
- υπόλοιπο
- Αναφορά
- απαιτούν
- απαιτήσεις
- πόρος
- Υποστηρικτικό υλικό
- Αποτελέσματα
- ανασκόπηση
- Κριτικές
- Ρόλος
- τρέξιμο
- τρέξιμο
- τρέχει
- σοφός
- ίδιο
- Απεριόριστες δυνατότητες
- επεκτάσιμη
- Κλίμακα
- απολέπιση
- σενάριο
- Επιστήμη
- Επιστήμονας
- επιστήμονες
- Αναζήτηση
- Τμήμα
- προστατευμένο περιβάλλον
- ασφαλώς
- ασφάλεια
- δείτε
- επιλέγονται
- υπηρεσία
- Υπηρεσίες
- σειρά
- τον καθορισμό
- setup
- Κοινοποίηση
- Shared
- Μερίδια
- μοιράζονται
- σεντόνι
- Κοντά
- δείχνουν
- παρουσιάζεται
- Δείχνει
- αφού
- ενιαίας
- So
- Λύσεις
- SOLVE
- μερικοί
- σύντομα
- Πηγή
- συγκεκριμένες
- καθορίζεται
- ενδιαφερόμενα μέρη
- τυποποίηση
- Εκκίνηση
- ξεκίνησε
- ξεκινά
- Δήλωση
- Κατάσταση
- Βήμα
- Βήματα
- Ακόμη
- Στρατηγική
- εξορθολογισμό
- επιτυχής
- Στήριξη
- Υποστηρίζει
- βέβαιος
- ανακύπτει
- ομάδες
- Τεχνικός
- Τεχνολογίες
- πρότυπο
- δοκιμή
- δοκιμές
- ότι
- Η
- οι πληροφορίες
- τους
- Τους
- θέματα
- τότε
- Εκεί.
- εκ τούτου
- Αυτοί
- αυτοί
- αυτό
- εκείνοι
- Μέσω
- παντού
- ώρα
- ταξίδι στο χρόνο
- προς την
- εργαλεία
- Παρακολούθηση
- Εκπαίδευση
- Διαφάνεια
- ταξίδι
- ενεργοποιούν
- Αλήθεια
- προσπαθώ
- ΣΤΡΟΦΗ
- τύπος
- υπό
- Σύμπαν
- ενημερώθηκε
- us
- Χρήση
- χρήση
- περίπτωση χρήσης
- μεταχειρισμένος
- Χρήστες
- χρησιμοποιώντας
- v1
- επικύρωση
- αξία
- εκδοχή
- μέσω
- Δες
- vishal
- ορατότητα
- ήταν
- we
- ιστός
- διαδικτυακές υπηρεσίες
- πότε
- Ποιό
- ενώ
- Ο ΟΠΟΊΟΣ
- θα
- με
- εντός
- Εργασία
- χρόνια
- Εσείς
- Σας
- zephyrnet