Organisaatiot käyttävät koneoppimista (ML) ja tekoälypalveluja parantaakseen asiakaskokemusta, alentaakseen toimintakustannuksia ja avatakseen uusia mahdollisuuksia liiketoiminnan tulosten parantamiseen. Data tukee ML:n ja tekoälyn käyttötapauksia ja on strateginen voimavara organisaatiolle. Tietojen kasvaessa eksponentiaalisesti, organisaatiot haluavat perustaa integroidun, kustannustehokkaan ja tehokkaan tietoalustan tietojen esikäsittelyä, ominaisuuksien suunnittelua sekä ML-mallien rakentamista, kouluttamista ja käyttökelpoisuutta varten. Tämän saavuttamiseksi AWS tarjoaa yhtenäisen nykyaikaisen tietoalustan, jonka tehonlähteenä on Amazonin yksinkertainen tallennuspalvelu (Amazon S3) tietojärvenä, jossa on tarkoitukseen rakennetut työkalut ja prosessointikoneet, jotka tukevat analytiikkaa ja ML-työkuormia. Yhtenäisen ML-kokemuksen saamiseksi voit käyttää Amazon SageMaker Studio, joka tarjoaa natiivi integraatio interaktiivisten AWS Glue -istuntojen kanssa suorittaa ominaisuussuunnittelua mittakaavassa arkaluontoisen tietosuojan avulla. Tässä viestissä näytämme, kuinka tämä ratkaisu otetaan käyttöön.
Amazon Sage Maker on täysin hallittu ML-palvelu, jonka avulla voit rakentaa, kouluttaa ja ottaa käyttöön malleja laajassa mittakaavassa monenlaisiin käyttötapauksiin. Mallikoulutukseen voit käyttää mitä tahansa sisäänrakennetut algoritmit SageMakerissa, jotta pääset nopeasti alkuun ML-mallien koulutuksessa ja käyttöönotossa.
Mallinrakennus- ja kehitysprosessin keskeinen osa on ominaisuussuunnittelu. AWS-liima on yksi suositelluista vaihtoehdoista ominaisuussuunnittelun saavuttamiseksi mittakaavassa. AWS Glue mahdollistaa tietojen integroinnin ja muuntamisen hajautetusti palvelimettomassa Apache Spark -infrastruktuurissa ja helpottaa suositun Spark ML -kirjaston käyttöä ominaisuussuunnitteluun ja mallien kehittämiseen. Lisäksi voit käyttää AWS-liimaa inkrementaaliseen tietojenkäsittelyyn työn kirjanmerkit, kerää tietoja yli 100 lähteestä käyttämällä Liittimetja suorittaa piikkisiä tai arvaamattomia työkuormia käyttämällä automaattinen skaalaus.
Toinen tärkeä vaatimus ML-pohjaisille sovelluksille on tietoturva ja kulunvalvonta. On yleinen vaatimus hallita tiukemmin sitä, kuka pääsee käsiksi arkaluontoisimpiin tietoihin osana ominaisuuksien suunnittelua ja mallinrakennusprosessia noudattamalla vähiten käyttöoikeuksien periaatetta. Tämän saavuttamiseksi voit hyödyntää AWS Glue -integraatiota AWS-järvien muodostuminen datajärven omaisuuden hallinnan ja hallinnan lisäämiseksi. Lake Formationin avulla voit määrittää tarkkoja tietojen käytön hallintaa ja suojauskäytäntöjä Amazon S3 -datajärvesi päälle. Käytännöt on määritelty keskeisessä paikassa, mikä mahdollistaa useiden analytiikka- ja ML-palveluiden, kuten AWS Gluen, Amazon Athenaja SageMaker, jotta voit olla vuorovaikutuksessa Amazon S3:een tallennettujen tietojen kanssa.
AWS-liima sisältää a henkilökohtaisten tunnistetietojen (PII) havaitseminen muunnos, joka tarjoaa mahdollisuuden havaita, peittää tai poistaa entiteettejä tarpeen mukaan parantaakseen vaatimustenmukaisuutta ja hallintaa. PII-muunnoksen avulla voit havaita henkilökohtaisia tunnistetietoja tietojoukoissa ja käyttää automaattisesti tarkkaa pääsynhallintaa Lake Formationin avulla rajoittaaksesi arkaluonteisia tietoja eri käyttäjäryhmille.
Käytä tapausta
Keskitymme taipumusmallin käyttötapaukseen, joka sisältää asiakasmarkkinointitietojoukon ja sisältää kaksi käyttäjäpersoonaa: tietosuunnittelijan ja datatieteilijän. Tietojoukko sisältää asiakaskohtaisia tietoja, kuten liidilähteen, yhteystiedot, työtehtävän, joitain lippuja, sivun näyttökertoja käyntiä kohti ja paljon muuta. Tietojoukko sisältää myös arkaluontoisia tietoja, kuten henkilökohtaisia puhelinnumeroita.
Tietosuunnittelija vastaa päästä-päähän tietojenkäsittelyputken rakentamisesta, mukaan lukien tietojen valmistelu, esikäsittely ja kulunvalvonta. Tietotutkija vastaa ominaisuussuunnittelusta sekä ML-mallin koulutuksesta ja käyttöönotosta. Huomaa, että datatutkija ei saa käyttää henkilökohtaisia tunnistetietoja ominaisuuksien suunnittelua tai ML-mallin koulutusta varten.
Osana tätä käyttötapausta tietosuunnittelija rakentaa dataputken datajoukon esikäsittelyä varten, skannaa tietojoukosta henkilökohtaisia tunnistetietoja ja rajoittaa PII-sarakkeen pääsyn datatieteilijälle. Tämän seurauksena, kun datatieteilijä käyttää tietojoukkoa ominaisuuksien suunnitteluun ja ML-mallien rakentamiseen, heillä ei ole pääsyä henkilökohtaisten tunnistetietojen arkaluontoiseen sarakkeeseen (tässä tapauksessa puhelinnumerot). Ominaisuuden suunnitteluprosessi sisältää merkkijonotyyppisten sarakkeiden muuntamisen ML-malleille optimaaliseen muotoon. Edistyneenä käyttötapana voit laajentaa tätä käyttöoikeusmallia toteuttaaksesi rivi- ja solutason suojauksen Lake Formationin avulla.
Ratkaisun yleiskatsaus
Ratkaisu sisältää seuraavat korkean tason vaiheet:
- Määritä resurssit kanssa AWS-pilven muodostuminen.
- Esikäsittele tietojoukko, mukaan lukien henkilökohtaisten tunnistetietojen havaitseminen ja hienorakeinen pääsynhallinta, interaktiivisessa AWS Glue -istunnossa.
- Suorita ominaisuussuunnittelu interaktiivisessa AWS Glue -istunnossa.
- Harjoittele ja ota käyttöön ML-malli SageMakerin sisäänrakennetun XGBoost-algoritmin avulla.
- Arvioi ML-malli.
Seuraava kaavio kuvaa ratkaisuarkkitehtuuria.
Edellytykset
Tämän opetusohjelman suorittaminen edellyttää, että sinulla on seuraavat edellytykset:
Määritä resurssit AWS CloudFormationin avulla
Tämä viesti sisältää CloudFormation-mallin nopeaa käyttöönottoa varten. Voit tarkistaa ja muokata sitä tarpeidesi mukaan. Jos haluat määrittää resursseja mieluummin AWS-hallintakonsoli ja AWS CLI AWS CloudFormationin sijaan, katso ohjeet tämän viestin lopussa olevassa liitteessä.
CloudFormation-malli luo seuraavat resurssit:
- S3-ämpärit mallitietojoukon kanssa
- An AWS Lambda toiminto ladataksesi tietojoukon
- AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (IAM) ryhmä, käyttäjät, roolit ja käytännöt
- Lake Formation -data järven asetukset ja käyttöoikeudet
- SageMaker-käyttäjäprofiilit
Luo resurssit suorittamalla seuraavat vaiheet:
- Kirjaudu sisään konsoliin.
- Valita Käynnistä pino:
- Valita seuraava.
- varten DataEngineerPwd ja DataScientistPwd, syötä oma salasanasi datasuunnittelijan ja datatieteilijän käyttäjille.
- varten Liimatietokannan nimi, tulla sisään
demo
. - varten Liimataulukon nimi, tulla sisään
web_marketing
. - varten S3BucketNameForInput, tulla sisään
blog-studio-pii-dataset-
. - varten S3BucketNameForOutput, tulla sisään
blog-studio-output-
. - varten SageMakerDomainId, anna SageMaker-verkkotunnuksesi tunnus, jonka olet laatinut edellytysvaiheissa.
- Valita seuraava.
- Valitse seuraavalla sivulla seuraava.
- Tarkista yksityiskohdat viimeisellä sivulla ja valitse Tunnustan, että AWS CloudFormation saattaa luoda IAM-resursseja.
- Valita luoda.
Pinon luominen voi kestää jopa 10 minuuttia. Pino luo IAM-rooleja ja SageMaker-käyttäjäprofiileja kahdelle persoonalle: tietosuunnittelijalle ja tietotieteilijälle. Se luo myös tietokannan demon ja taulukon web_marketing
mallitietojoukon kanssa.
Pinon luomishetkellä tietosuunnittelijan persoonalla on täysi pääsy taulukkoon, mutta datatieteilijällä ei ole vielä pääsyä taulukkoon.
Esikäsittele tietojoukko
Aloitetaan tietojen esikäsittely interaktiivisessa AWS Glue -istunnossa. Tietosuunnittelija haluaa tarkistaa tiedot, onko arkaluontoisia tietoja vai ei, ja myöntää datatieteilijälle minimaalisen käyttöoikeuden. Voit ladata muistikirjan osoitteesta tämä paikka.
- Kirjaudu sisään konsoliin data-insinöörin käyttäjällä.
- Valitse SageMaker-konsolissa käyttäjät.
- Valitse data-insinöörin käyttäjä ja valitse Avaa Studio.
- Luo uusi muistikirja ja valitse SparkAnalytics 1.0 varten Kuva ja Liimaa PySpark varten Ydin.
- Aloita interaktiivinen istunto seuraavalla taikuudella asentaaksesi Boto3:n uudemman version (tätä tarvitaan
create_data_cells_filter
menetelmä): - Alusta istunto:
- Luo AWS Glue DynamicFrame äskettäin luodusta taulukosta ja ratkaista valintatyypit perustuu luetteloskeemaan, koska haluamme käyttää luettelossa määritettyä skeemaa automaattisesti dataan perustuvan skeeman sijaan:
- Tarkista taulukosta, onko henkilökohtaisia tunnistetietoja AWS Glue PII -tunnistuksen avulla:
- Tarkista, sisältävätkö henkilökohtaisiksi tunnisteiksi luokitellut sarakkeet arkaluontoisia tietoja vai eivät (jos ei, päivitä Classified_map poistaaksesi ei-arkaluonteiset sarakkeet):
- Määritä Lake Formationin käyttöoikeudet käyttämällä tietosolusuodatinta automaattisesti havaituille sarakkeille ja rajaa sarakkeet tietotutkijapersoonaan:
- Kirjaudu Studioon datatieteilijänä nähdäksesi, etteivät PII-sarakkeet ole näkyvissä. Voit ladata muistikirjan osoitteesta tämä paikka.
- Luo uusi muistikirja ja valitse SparkAnalytics 1.0 varten Kuva ja Liimaa PySpark varten Ydin:
Suorita ominaisuussuunnittelu
Käytämme Apache Spark ML -kirjastoa ominaisuuksien suunnitteluun datatieteilijäkäyttäjänä ja kirjoitamme sitten ulostulon takaisin Amazon S3:lle.
- Seuraavassa solussa käytämme ominaisuuksia kohteesta Apache Spark ML -kirjasto:
StringIndexer
kartoittaa merkkijonosarakkeen tarrahakemistosarakkeeseen.OneHotEncoder
kartoittaa kategorisen ominaisuuden, joka esitetään etikettiindeksinä, binäärivektoriin, jossa on enintään yksi yksi arvo, joka osoittaa tietyn kategorisen ominaisuuden olemassaolon. Tätä muunnosa käytetään ML-algoritmeille, jotka odottavat jatkuvia ominaisuuksia.VectorAssembler
on muuntaja, joka yhdistää tietyn luettelon sarakkeista yhdeksi vektorisarakkeeksi, jota sitten käytetään ML-mallien koulutuksessa algoritmeille, kuten logistiselle regressio- ja päätöspuille.
- Lopullinen muunnettu DataFrame voidaan luoda käyttämällä Pipeline-kirjastoa. Liukulinja määritellään vaiheiden sarjana. Nämä vaiheet ajetaan järjestyksessä ja syöte DataFrame muunnetaan, kun se kulkee kunkin vaiheen läpi.
- Seuraavaksi jaamme tietojoukon koulutuksiin, validoimme ja testaamme DataFrame-kehyksen ja tallennamme sen S3-alueeseen ML-mallin kouluttamiseksi (anna AWS-tilitunnuksesi seuraavassa koodissa):
Kouluta ja ota käyttöön ML-malli
Edellisessä osiossa viimeistelimme ominaisuussuunnittelun, joka sisälsi merkkijonosarakkeiden muuntamisen, kuten region
, jobrole
ja usedpromo
muotoon, joka on optimaalinen ML-malleille. Lisäsimme myös sarakkeita, kuten pageviewspervisit
ja totalwebvisits
, joka auttaa ennustamaan asiakkaan taipumusta ostaa jokin tuote.
Koulutamme nyt ML-mallin lukemalla harjoitus- ja validointitietojoukon SageMakerin sisäänrakennetun XGBoost-algoritmin avulla. Sitten otamme mallin käyttöön ja suoritamme tarkkuustarkistuksen. Voit ladata muistikirjan osoitteesta tämä paikka.
Seuraavassa solussa luemme tietoja toisesta S3-alueesta, joka sisältää ominaisuussuunnittelutoimintojemme tulosteen. Sitten käytämme sisäänrakennettua XGBoost-algoritmia mallin kouluttamiseen.
- Avaa uusi muistikirja. Valita data Science varten Kuva ja Python 3 varten Ydin (anna AWS-tilisi tunnus seuraavassa koodissa):
- Kun koulutus on valmis, voimme ottaa mallin käyttöön SageMaker-isännöintipalveluilla:
Arvioi ML-malli
Käytämme testitietojoukkoa mallin arvioimiseen ja poistamme päätelmäpäätepisteen, kun olemme valmis, jotta vältytään mahdollisilta jatkuvilta maksuilta.
- Arvioi malli seuraavalla koodilla:
Näyteajon tarkkuustulos oli 84.6 %. Tämä voi olla hieman erilainen juoksussasi tietojoukon satunnaisen jaon vuoksi.
- Voimme poistaa päätelmäpäätepisteen seuraavalla koodilla:
Puhdistaa
Nyt viimeiseen vaiheeseen, resurssien puhdistamiseen.
- Tyhjennä kaksi CloudFormation-pinon kautta luotua ämpäriä.
- Poista käyttäjään liittyvät sovellukset
profiles data-scientist
jadata-engineer
Studion sisällä. - Poista CloudFormation-pino.
Yhteenveto
Tässä viestissä esittelimme ratkaisun, jonka avulla henkilöt, kuten datainsinöörit ja datatieteilijät, voivat suorittaa ominaisuussuunnittelua mittakaavassa. Interaktiivisten AWS Glue -istuntojen avulla voit helposti toteuttaa ominaisuussuunnittelua mittakaavassa automaattisen PII-tunnistuksen ja hienorakeisen kulunhallinnan avulla ilman, että sinun tarvitsee hallita taustalla olevaa infrastruktuuria. Käyttämällä Studiota yhtenäisenä sisääntulopisteenä voit saada yksinkertaistetun ja integroidun kokemuksen päästä päähän ML-työnkulun rakentamiseen: tietojen valmistelusta ja suojaamisesta ML-mallien rakentamiseen, koulutukseen, viritykseen ja käyttöönottoon. Lisätietoja on osoitteessa Interaktiivisten AWS Glue -istuntojen käytön aloittaminen ja Amazon SageMaker Studio.
Olemme erittäin innoissamme tästä uudesta ominaisuudesta ja haluamme nähdä, mitä aiot rakentaa sen avulla!
Liite: Määritä resurssit konsolin ja AWS CLI:n kautta
Täytä tämän osion ohjeet määrittääksesi resurssit käyttämällä konsolia ja AWS CLI:tä CloudFormation-mallin sijaan.
Edellytykset
Suorittaaksesi tämän opetusohjelman, sinulla on oltava pääsy AWS CLI:hen (katso AWS CLI:n käytön aloittaminen) tai käytä komentorivikäyttöä osoitteesta AWS CloudShell.
Määritä IAM-ryhmä, käyttäjät, roolit ja käytännöt
Tässä osiossa luomme kaksi IAM-käyttäjää: data-engineer ja data-scientist, jotka kuuluvat IAM-ryhmään data-platform-group. Sitten lisäämme yhden IAM-käytännön IAM-ryhmään.
- IAM-konsolissa luo käytäntö JSON-välilehdellä luoda uuden IAM: n hallinnoiman käytännön nimeltä
DataPlatformGroupPolicy
. Käytännön avulla ryhmän käyttäjät voivat käyttää Studiota, mutta vain käyttämällä SageMaker-käyttäjäprofiilia, jonka tunniste vastaa heidän IAM-käyttäjänimeään. Käytä seuraavaa JSON-käytäntödokumenttia lupien myöntämiseen: - Luo IAM-ryhmä nimeltään
data-platform-group
. - Etsi ja liitä AWS-hallittu käytäntö nimeltä DataPlatformGroupPolicy ryhmään.
- Luo IAM-käyttäjiä kutsutaan data-insinööriksi ja data-tutkijaksi IAM-ryhmän data-platform-ryhmässä.
- Luo uusi hallinnoitu käytäntö nimeltä SageMakerExecutionPolicy (anna alueesi ja tilitunnuksesi seuraavassa koodissa):
- Luo uusi hallinnoitu käytäntö nimeltään
SageMakerAdminPolicy
: - Luo IAM-rooli SageMakerille tietosuunnittelijalle (data-engineer), jota käytetään vastaavan käyttäjäprofiilin suoritusroolina. Käytössä Liitä käyttöoikeuskäytäntö -sivulle AmazonSageMakerFullAccess (AWS-hallittu käytäntö) on oletuksena liitetty. Poistat tämän käytännön myöhemmin säilyttääksesi vähimmäisoikeudet.
- varten Roolinimi, käytä tämän osion alussa esiteltyä nimeämiskäytäntöä roolin nimeämiseen SageMakerStudioExecutionRole_data-engineer.
- varten Tunnisteet, lisää avain userprofilename ja value data-engineer.
- Valita Luo rooli.
- Voit lisätä jäljellä olevat käytännöt Roolit -sivulla, valitse juuri luomasi roolin nimi.
- Alle Oikeudet, poista AmazonSageMakerFullAccess-käytäntö.
- On Liitä käyttöoikeuskäytäntö -sivulla valitse AWS-hallittu käytäntö AwsGlueSessionUserRestrictedServiceRole ja luomasi asiakkaan hallinnoimat SageMakerExecutionPolicy- ja SageMakerAdminPolicy-käytännöt.
- Valita Liitä käytännöt.
- Muuttaa roolisi luottamussuhde:
- Luo IAM-rooli SageMakerille datatieteilijälle (data-scientist), jota käytetään vastaavan käyttäjäprofiilin suoritusroolina.
- varten Roolinimi, nimeä rooli SageMakerStudioExecutionRole_data-scientist.
- varten Tunnisteet, lisää avain userprofilename ja value data-scientist.
- Valita Luo rooli.
- Voit lisätä jäljellä olevat käytännöt Roolit -sivulla, valitse juuri luomasi roolin nimi.
- Alle Oikeudet, poista AmazonSageMakerFullAccess-käytäntö.
- On Liitä käyttöoikeuskäytäntö -sivulla valitse AWS-hallittu käytäntö AwsGlueSessionUserRestrictedServiceRole ja luomasi asiakkaan hallinnoima käytäntö SageMakerExecutionPolicy.
- Valita Liitä käytännöt.
- Muuttaa roolisi luottamussuhde:
Määritä SageMaker-käyttäjäprofiilit
Voit luoda SageMaker-käyttäjäprofiileja käyttämällä studiouserid
-tunniste, suorita seuraavat vaiheet:
- Luo Studion käyttäjäprofiili tietosuunnittelijalle AWS-CLI:n tai CloudShellin avulla (anna tilisi tunnus ja Studio-verkkotunnuksesi tunnus seuraavassa koodissa):
- Toista vaihe luodaksesi käyttäjäprofiilin datatieteilijälle ja korvaa tilin tunnus ja Studio-verkkotunnuksen tunnus:
Luo S3-ryhmät ja lähetä näytetietojoukko
Tässä osiossa luot kaksi S3-ämpäriä. Ensimmäisessä ryhmässä on verkkomarkkinointiin liittyvä esimerkkitietojoukko. Tietotieteilijä käyttää toista säilöä ominaisuussuunnittelutehtävien tulosteen tallentamiseen, ja tätä lähtötietojoukkoa käytetään ML-mallin kouluttamiseen.
Luo ensin S3-säilö syöttötiedoille:
- Lataa tietojoukko.
- Valitse Amazon S3 -konsolissa kauhat navigointipaneelissa.
- Valita Luo ämpäri.
- varten Alue, valitse SageMaker-toimialueen alue, joka sisältää luomasi käyttäjäprofiilit.
- varten Kauhan nimi, tulla sisään
blog-studio-pii-dataset-
. - Valita Luo ämpäri.
- Valitse luomasi ämpäri ja valitse Lataa.
- In Valitse tiedostot osiossa, valitse Lisätä tiedostoja ja lataa lataamasi tietojoukko.
Nyt luot sängyn tulostiedoille: - On kauhat sivu, valitse Luo ämpäri.
- varten Alue, valitse SageMaker-toimialueen alue, joka sisältää luomasi käyttäjäprofiilit.
- varten Kauhan nimi, tulla sisään
blog-studio-output-
. - Valita Luo ämpäri.
Luo AWS Glue -tietokanta ja -taulukko
Tässä osiossa luot AWS Glue -tietokannan ja -taulukon tietojoukolle.
- Lake Formation -konsolin alla Tietoluettelo valitse siirtymisruudussa Tietokannat.
- Valita Lisää tietokanta.
- varten Nimi, avaa demo.
- Valita Luo tietokanta.
- Alle Tietoluettelo, valitse taulukot.
- varten Nimi, tulla sisään
web_marketing
. - varten tietokantavalitse
demo
. - varten Sisällytä polku, kirjoita S3-säihön polku syöttötietoja varten.
- varten Luokittelu, valitse CSV.
- Alle Malli, valitse Lataa Schema.
- Kirjoita seuraava JSON-taulukko tekstiruutuun:
- Valita Lataa.
- Valita Lähetä.
- Alle Taulukon tiedot, valitse Muokkaa taulukkoa.
- Alle Taulukon ominaisuudet, valitse Lisää.
- varten avain, tulla sisään
skip.header.line.count
, Ja Arvo, kirjoita 1. - Valita Säästä.
Määritä Lake Formationin käyttöoikeudet
Tässä osiossa määrität Lake Formationin käyttöoikeudet salliaksesi IAM-roolin SageMakerStudioExecutionRole_data-engineer
luodaksesi tietokannan ja rekisteröidäksesi S3-sijainnin Lake Formationissa.
Rekisteröi ensin datajärven sijainti, jotta voit hallita taulukoita sijainnin alla Lake Formation -oikeuksissa:
- Valita Datajärvien sijainnit.
- Valita Rekisteröi sijainti.
- varten Amazon S3 -polku, tulla sisään
s3://blog-studio-pii-dataset-/
(tietojoukon sisältävä ämpäri). - Valita Rekisteröi sijainti.
Nyt myönnät Lake Formation -tietokannan ja taulukon käyttöoikeudet IAM-rooleilleSageMakerStudioExecutionRole_data-engineer
jaSageMakerStudioExecutionRole_data-scientist
. Myönnä ensin tietokannan käyttöoikeus kohteelleSageMakerStudioExecutionRole_data-engineer
: - Alle Oikeudet, valitse Datajärven käyttöoikeudet.
- Alle Tietojen käyttöoikeus, valitse Grant.
- varten Päämiehet, valitse IAM-käyttäjät ja -roolitja valitse rooli
SageMakerStudioExecutionRole_data-engineer
. - varten Käytäntötunnisteet tai luetteloresurssit, valitse Nimetyt tietoluetteloresurssit.
- varten Tietokannat, valitse demo.
- varten Tietokannan käyttöoikeudet, valita suuri.
- Valita Grant.
Seuraavaksi myönnä taulukon käyttöoikeus kohteelleSageMakerStudioExecutionRole_data-engineer
: - Alle Tietojen käyttöoikeus, valitse Grant.
- varten Päämiehet, valitse IAM-käyttäjät ja -roolitja valitse rooli
SageMakerStudioExecutionRole_data-engineer
. - varten Käytäntötunnisteet tai luetteloresurssit, valitse Nimetyt tietoluetteloresurssit.
- varten Tietokannat, valitse
demo
. - varten taulukot, valitse
web_marketing
. - varten Pöytä käyttöoikeudet, valita suuri.
- varten Myönnetty käyttöoikeudet, valita suuri.
- Valita Grant.
Lopuksi myönnä tietokannan käyttöoikeus kohteelleSageMakerStudioExecutionRole_data-scientist
: - Alle Tietojen käyttöoikeus, valitse Grant.
- varten Päämiehet, valitse IAM-käyttäjät ja -roolitja valitse rooli
SageMakerStudioExecutionRole_data-scientist
. - varten Käytäntötunnisteet tai luetteloresurssit, valitse Nimetyt tietoluetteloresurssit.
- varten Tietokannat, valitse
demo
. - varten Tietokannan käyttöoikeudet, valita Kuvata.
- Valita Grant.
Tietoja Tekijät
Praveen Kumar on AWS:n Analytics-ratkaisuarkkitehti, jolla on asiantuntemusta nykyaikaisten data- ja analytiikkaalustojen suunnittelusta, rakentamisesta ja toteuttamisesta pilvipohjaisia palveluita käyttäen. Hänen kiinnostuksen kohteitaan ovat palvelinton teknologia, modernit pilvitietovarastot, suoratoisto ja ML-sovellukset.
Noritaka Sekiyama on pääasiallinen Big Data -arkkitehti AWS Glue -tiimissä. Hän nauttii yhteistyöstä eri tiimien kanssa tuottaakseen tämän postauksen kaltaisia tuloksia. Vapaa-ajallaan hän pelaa videopelejä perheensä kanssa.
- Lisäasetukset (300)
- AI
- ai taide
- ai taiteen generaattori
- ai robotti
- Amazon Sage Maker
- tekoäly
- tekoälyn sertifiointi
- tekoäly pankkitoiminnassa
- tekoäly robotti
- tekoälyrobotit
- tekoälyohjelmisto
- AWS Big Data
- AWS-liima
- AWS-järvien muodostuminen
- AWS-koneoppiminen
- blockchain
- blockchain-konferenssi ai
- coingenius
- keskustelullinen tekoäly
- kryptokonferenssi ai
- dall's
- syvä oppiminen
- google ai
- koneoppiminen
- Platon
- plato ai
- Platonin tietotieto
- Platon peli
- PlatonData
- platopeliä
- mittakaava ai
- syntaksi
- ajatusjohtajuus
- zephyrnet