החל בקרות גישה עדינות לנתונים עם AWS Lake Formation ו- Amazon EMR מ- Amazon SageMaker Studio

סטודיו SageMaker של אמזון היא סביבת פיתוח משולבת לחלוטין (IDE) ללמידת מכונה (ML) המאפשרת למדעני נתונים ומפתחים לבצע כל שלב בזרימת העבודה של ML, מהכנת נתונים ועד לבנייה, הדרכה, כוונון ופריסה של מודלים. סטודיו מגיע עם אינטגרציה מובנית עם Amazon EMR כך שמדעני נתונים יכולים להכין נתונים באופן אינטראקטיבי בקנה מידה פטה-בייט באמצעות מסגרות קוד פתוח כגון Apache Spark, Hive ו-300 Presto ישירות מתוך מחברות Studio. נתונים מאוחסנים לרוב באגמי נתונים המנוהלים על ידי תצורת אגם AWS, המאפשר לך להחיל בקרת גישה עדינה באמצעות מנגנון הענקה או ביטול פשוט. אנו נרגשים להכריז ש-Studio תומך כעת ביישום בקרת גישה עדינה זו לנתונים עם Lake Formation בעת גישה לנתונים דרך אמזון EMR.

עד עכשיו, כשהרצת משימות עיבוד נתונים מרובות באשכול EMR, כל המשימות השתמשו באותו AWS זהות וניהול גישה (אני) תפקיד לגישה לנתונים - כלומר של האשכול ענן מחשוב אלסטי של אמזון פרופיל מופע (Amazon EC2). לכן, כדי להפעיל עבודות שדרשו גישה למקורות נתונים שונים כגון שונים שירות אחסון פשוט של אמזון (Amazon S3), היית צריך להגדיר את פרופיל המופע של EC2 עם מדיניות שאפשרה גישה לאיחוד של כל מקורות הנתונים האלה. בנוסף, כדי לאפשר לקבוצות משתמשים עם גישה דיפרנציאלית לנתונים, היה עליך ליצור מספר אשכולות נפרדים, אחד לכל קבוצה, וכתוצאה מכך תקורה תפעולית. בנפרד, משרות שהוגשו לאמזון EMR ממחברות Studio לא הצליחו להחיל בקרת גישה עדינה לנתונים עם Lake Formation.

החל מהשחרור של Amazon EMR 6.9, כאשר אתה מתחבר לאשכולות EMR ממחברות Studio, אתה יכול לדפדף ויזואלית ולבחור תפקיד IAM תוך כדי תנועה הנקרא תפקיד IAM בזמן ריצה. לאחר מכן, כל עבודות ה-Apache Spark, Apache Hive או Presto שלך שנוצרו ממחברות Studio יגשו רק לנתונים ולמשאבים המותרים על פי מדיניות המצורפת לתפקיד זמן הריצה. כמו כן, כאשר נגישות לנתונים מאגם נתונים המנוהלים עם Lake Formation, אתה יכול לאכוף גישה ברמת הטבלה וברמת העמודה באמצעות מדיניות המצורפת לתפקיד זמן הריצה.

עם היכולת החדשה הזו, מספר משתמשי Studio יכולים להתחבר לאותו אשכול EMR, כל אחד משתמש בתפקיד IAM בזמן ריצה עם הרשאות התואמות את רמת הגישה האישית שלהם לנתונים. גם הפעלות המשתמשים שלהם מבודדות לחלוטין אחת מהשנייה באשכול המשותף. עם היכולת הזו לשלוט בגישה עדינה לנתונים באותו אשכול משותף, אתה יכול לפשט את האספקה ​​של אשכולות EMR, ובכך להפחית את התקורה התפעולית ולחסוך בעלויות.

בפוסט זה, אנו מדגימים כיצד להשתמש ב-a מחברת סטודיו כדי להתחבר לאשכול EMR ​​באמצעות תפקידי זמן ריצה. אנו מספקים תצורת מחזור חיים לדוגמה של Studio שיכולה לעזור להגדיר את תפקידי זמן הריצה של EMR ​​שאליהם יש לפרופיל משתמש של Studio גישה. בנוסף, אנו מנהלים גישה לנתונים באגם נתונים דרך Lake Formation על ידי אכיפת הרשאות ברמת השורה וברמת העמודה לתפקידי זמן הריצה של EMR.

סקירת פתרונות

אנו מדגימים פתרון זה באמצעות מקרה שימוש מקצה לקצה באמצעות מערך נתונים לדוגמה, ה מודל נתונים TPC. נתונים אלה מייצגים נתוני עסקאות עבור מוצרים וכוללים מידע כגון דמוגרפיה של לקוחות, מלאי, מכירות באינטרנט ומבצעים. כדי להדגים הרשאות גישה לנתונים דקיקים, אנו רואים את שני המשתמשים הבאים:

• דוד, מדען נתונים בצוות השיווק. מוטלת עליו המשימה לבנות מודל לפילוח לקוחות, והוא רשאי לגשת רק לנתוני לקוחות שאינם רגישים.
• טינה, מדען נתונים בצוות המכירות. מוטלת עליה המשימה לבנות את מודל תחזית המכירות, וצריכה גישה לנתוני מכירות עבור האזור המסוים. היא גם עוזרת לצוות המוצר בחדשנות, ולכן צריכה גם גישה לנתוני מוצרים.

הארכיטקטורה מיושמת באופן הבא:

• Lake Formation מנהל את אגם הנתונים, והנתונים הגולמיים זמינים בדליים של S3
• Amazon EMR משמש לשאילתת הנתונים מאגם הנתונים ולבצע הכנת נתונים באמצעות Spark
• תפקידי IAM משמשים לניהול גישה לנתונים באמצעות Lake Formation
• סטודיו משמש כממשק חזותי יחיד לשאילתה אינטראקטיבית ולהכנת הנתונים

התרשים הבא ממחיש ארכיטקטורה זו.

הסעיפים הבאים עוברים על השלבים הנדרשים להפעלת תפקידי IAM בזמן ריצה עבור אינטגרציה של Amazon EMR עם דומיין קיים של Studio. אתה יכול להשתמש במסופק AWS CloudFormation מחסנית ב פרוס את הפתרון להלן כדי להגדיר את הרכיבים האדריכליים עבור פתרון זה.

תנאים מוקדמים

לפני שתתחיל, ודא שיש לך את התנאים המוקדמים הבאים:

הגדר את Amazon EMR עם תפקידי זמן ריצה

יש ליצור את אשכול ה-EMR כאשר תפקידי זמן ריצה של IAM מופעלים. לפרטים נוספים על שימוש בתפקידי זמן ריצה עם Amazon EMR, ראה הגדר תפקידי זמן ריצה עבור שלבי אמזון EMR. שיוך תפקידי זמן ריצה לאשכולות EMR נתמך באמזון EMR 6.9. ודא שהתצורה הבאה קיימת:

• מדיניות האמון של תפקיד EMR בזמן ריצה צריכה לאפשר לפרופיל המופע של EMR ​​EC2 לקבל את התפקיד
• תפקיד פרופיל המופע של EMR ​​EC2 אמור להיות מסוגל לקבל את תפקידי זמן הריצה של EMR
• יש ליצור את אשכול ה-EMR עם הצפנה במעבר

אתה יכול לבחור אופציונלי לעבור את SourceIdentity (שם פרופיל המשתמש של Studio) לניטור הגישה למשאב המשתמש. בצע את השלבים המפורטים ב ניטור גישה למשאבי משתמש מאמזון SageMaker Studio כדי לאפשר SourceIdentity עבור דומיין הסטודיו שלך.

לבסוף, עיין ב הכן נתונים באמצעות Amazon EMR לקבלת הוראות הגדרה ורשתות מפורטות על שילוב Studio עם אשכולות EMR.

צור פעולת אתחול עבור האשכול

עליך להפעיל פעולת אתחול על האשכול כדי להבטיח את הקישוריות של מחברת Studio עם EMR באמצעות תפקידי זמן ריצה. השלם את השלבים הבאים:

1. הורד את סקריפט האתחול מ s3://emr-data-access-control-/customer-bootstrap-actions/gcsc/replace-rpms.sh, מחליף את האזור באזור שלך
2. הורד את קובץ ה-RPM הזה מ s3://emr-data-access-control-/customer-bootstrap-actions/gcsc/emr-secret-agent-1.18.0-SNAPSHOT20221121212949.noarch.rpm
3. העלה את שני הקבצים לדלי S3 בחשבון ובאזור שלך
4. בעת יצירת אשכול EMR ​​שלך, כלול את פעולת האתחול הבאה:
   --bootstrap-actions "Path=,Args=[]"

עדכן את תפקיד הביצוע של Studio

יש לעדכן את תפקיד הביצוע של משתמש הסטודיו שלך כדי לאפשר את GetClusterSessionCredentials פעולת API. הוסף את המדיניות הבאה לתפקיד הביצוע של Studio, והחלפת המשאב ב-ARN של האשכול שאליהם אתה רוצה לאפשר למשתמשים שלך להתחבר:

{
    "Version": "2012-10-17",
    "Statement": [
        {
            "Sid": "AllowEMRRuntimeRole",
            "Effect": "Allow", 
            "Action": "elasticmapreduce:GetClusterSessionCredentials",
            "Resource": [
"arn:aws:elasticmapreduce:::cluster/"
],
            "Condition": {
                "StringLike": {
                    "elasticmapreduce:ExecutionRoleArn": [
                        "arn:aws:iam:::role/"
                    ]
                }
            }
        }
    ]
}

אתה יכול גם להשתמש תנאים כדי לשלוט באילו תפקידי ביצוע EMR יכולים לשמש את תפקיד הביצוע של Studio.

לחלופין, ניתן לצרף תפקיד כמו להלן, המגביל את הגישה לאשכולות בהתבסס על תגי משאבים. זה מאפשר בקרת גישה מבוססת תגים, ואתה יכול להשתמש באותן הצהרות מדיניות בכל תפקידי משתמש, במקום להוסיף במפורש ARN של אשכולות.

{
    "Version": "2012-10-17",
    "Statement": [
        {
            "Sid": "AllowEMRRuntimeRole",
            "Effect": "Allow", 
            "Action": "elasticmapreduce:GetClusterSessionCredentials",
            "Resource": “*”,
            "Condition": {
                "StringEquals": {
                    "elasticmapreduce:ResourceTag/": ""
                }
            }
        }
    ]
}

הגדר תצורות תפקידים דרך Studio LCC

כברירת מחדל, ממשק המשתמש של Studio משתמש בתפקיד הביצוע של Studio כדי להתחבר לאשכול EMR. אם המשתמש שלך יכול לגשת למספר תפקידים, הוא יכול לעדכן את פקודות החיבור של אשכול EMR ​​בתפקיד ARN שהוא רוצה להעביר כתפקיד זמן ריצה. לחוויית משתמש טובה יותר, אתה יכול להגדיר קובץ תצורה בספריית הבית של המשתמש ב- מערכת הקבצים של אמזון אלסטית (Amazon EFS), המיידע אוטומטית את ה-Studio UI על התפקידים הזמינים לחיבור עבור המשתמש. אתה יכול גם להפוך את התהליך הזה לאוטומטי באמצעות תצורות מחזור החיים של סטודיו. אנו מספקים את סקריפט תצורת מחזור החיים לדוגמה הבא כדי להגדיר את התפקידים:

#!/bin/bash

set -eux

FILE_DIRECTORY="/home/sagemaker-user/.sagemaker-analytics-configuration-DO_NOT_DELETE"
FILE_NAME="emr-configurations-DO_NOT_DELETE.json"
FILE="$FILE_DIRECTORY/$FILE_NAME"

mkdir -p $FILE_DIRECTORY

cat < "$FILE"
{
    "emr-execution-role-arns":
    {
      "": [
          "arn:aws:iam:::role/",
          "arn:aws:iam:::role/"
      ]
    }
}
EOF

התחבר לאשכולות ממשק המשתמש של Studio

לאחר הגדרת התפקידים ותצורת מחזור החיים, תוכל להפעיל את ממשק המשתמש של Studio ולהתחבר לאשכולות בעת יצירת מחברת חדשה באמצעות כל אחד מהקרנלים הבאים:

• DataScience - ליבת Python 3
• DataScience 2.0 - ליבת Python 3
• DataScience 3.0 - ליבת Python 3
• SparkAnalytics 1.0 - גרעינים של SparkMagic ו- PySpark
• SparkAnalytics 2.0 - גרעינים של SparkMagic ו- PySpark
• SparkMagic - ליבת PySpark

הערה: ממשק המשתמש של Studio לחיבור לאשכולות EMR באמצעות תפקידי זמן ריצה פועל רק בגרסה 3 של JupyterLab. ראה גירסת Jupyter לפרטים על שדרוג ל-JL3.

פרוס את הפתרון

כדי לבחון את הפתרון מקצה לקצה, אנו מספקים תבנית CloudFormation המגדירה את השירותים הכלולים בארכיטקטורה, כדי לאפשר פריסות חוזרות. תבנית זו יוצרת את המשאבים הבאים:

• דלי S3 לאגם הנתונים.
• אשכול EMR ​​עם תפקידי EMR מופעלים.
• תפקידי IAM לגישה לנתונים באגם הנתונים, עם הרשאות מעודנות:
  • Marketing-data-access-role
  • Sales-data-access-role
  • Electronics-data-access-role
• דומיין של Studio ושני פרופילי משתמש. תפקידי הביצוע של הסטודיו עבור המשתמשים מאפשרים למשתמשים לקבל את תפקידי זמן הריצה המתאימים להם EMR.
• תצורת מחזור חיים כדי לאפשר את בחירת התפקיד לשימוש עבור חיבור EMR.
• מסד נתונים של Lake Formation המאוכלס בנתוני TPC.
• משאבי רשת הנדרשים להגדרה, כגון VPC, רשתות משנה וקבוצות אבטחה.

כדי לפרוס את הפתרון, בצע את השלבים הבאים:

1. בחרו השקת ערימה כדי להפעיל את ערימת CloudFormation:
   
2. הזן שם מחסנית, ספק את הפרמטרים הבאים -
   • פסק זמן סרק עבור אשכול EMR ​​(כדי להימנע מתשלום עבור האשכול כאשר הוא אינו בשימוש).
   • S3 URI עם מפתח ההצפנה EMR. אתה יכול לעקוב אחר השלבים בתיעוד EMR כאן כדי ליצור מפתח וקובץ zip ספציפיים לאזור שלך. אם אתה פורס במזרח ארה"ב (נ' וירג'יניה), זכור להשתמש CN=*.ec2.internal, כמפורט בתיעוד כאן. הקפד להעלות את קובץ ה-zip על דלי S3 באותו אזור כמו פריסת מחסנית CloudFormation שלך.
3. בחר אני מאשר ש- AWS CloudFormation עשוי ליצור משאבי IAM עם שמות מותאמים אישית.
4. בחרו צור ערימה.

לאחר יצירת המחסנית, אפשר לאמזון EMR לבצע שאילתות על Lake Formation על ידי עדכון הגדרות סינון הנתונים החיצוניים ב- Lake Formation. עקוב אחר ההוראות המפורטות במדריך ליצירת אגם כאן, ובחר 'Amazon EMR' עבור ערכי תג הפעלה, והזן את מזהה חשבון AWS שלך תחת מזהי חשבון AWS.

בדוק גישה לנתונים מבוססת תפקידים

עם התשתית במקום, אתה מוכן לבדוק את הגישה הדקיקה לנתונים עבור שני משתמשי Studio. לסיכום, המשתמש דוד אמור להיות מסוגל לגשת רק לנתוני לקוחות שאינם רגישים. טינה יכולה לגשת לנתונים בשתי טבלאות: מכירות ומידע על מוצר. בואו נבדוק כל פרופיל משתמש.

פרופיל המשתמש של דוד

כדי לבדוק את הגישה לנתונים שלך עם פרופיל המשתמש של דוד, בצע את השלבים הבאים:

1. היכנס למסוף AWS.
2. מתחום Studio שנוצר, הפעל את Studio מפרופיל המשתמש david-non-sensitive-customer.
3. בממשק המשתמש של Studio, התחל מחברת עם כל אחד מהגרעינים הנתמכים, למשל, תמונת SparkMagic עם ליבת PySpark.

האשכול נוצר מראש בחשבון.

4. התחבר לאשכול על ידי בחירה אשכול במחברת ובחירת האשכול -emr-cluster. בחלון הקופץ של בורר התפקידים, בחר את -marketing-data-access-role.
5. בחרו לְחַבֵּר.
   פעולה זו תיצור אוטומטית תא מחברת עם פקודות קסם לחיבור לאשכול. המתן עד שהתא יבוצע והחיבור יתבצע לפני שתמשיך עם השלבים הנותרים.

עכשיו בואו נשאל את טבלת השיווק מהמחברת.

6. בתא חדש, הזן את השאילתה הבאה והפעל את התא:

   sqlContext.sql("show databases").show()
   # use the TPC dataset
   sqlContext.sql("use tpc")
   sqlContext.sql("select * from dl_tpc_customer limit 10").show()

לאחר שהתא פועל בהצלחה, תוכל להציג את 10 הרשומות הראשונות בטבלה. שימו לב שלא ניתן לראות את שם הלקוחות, מכיוון שלמשתמש יש רק הרשאות לקרוא נתונים לא רגישים, באמצעות סינון ברמת העמודה.

בואו נבדוק כדי לוודא שדיוויד לא יכול לקרוא שום נתוני לקוחות רגישים.

7. בתא חדש, הפעל את השאילתה הבאה:

   sqlContext.sql("select * from dl_tpc_customer_address limit 10").show()

תא זה אמור לזרוק שגיאת Access Denied.

פרופיל המשתמש של טינה

תפקיד הביצוע של טינה בסטודיו מאפשר לה לגשת למסד הנתונים של Lake Formation באמצעות שני תפקידי ביצוע EMR. זה מושג על ידי רישום התפקידים ARNs בקובץ תצורה בספריית הקבצים של טינה. ניתן להגדיר תפקידים אלה באמצעות תצורות מחזור החיים של סטודיו כדי להמשיך את התפקידים בכל הפעלה מחדש של האפליקציה. כדי לבדוק את הגישה של טינה, בצע את השלבים הבאים:

1. הפעל את Studio מפרופיל המשתמש tina-sales-electronics.

זה מנהג טוב לסגור כל הפעלות קודמות של Studio בדפדפן שלך בעת החלפת פרופילי משתמש. יכולה להיות רק הפעלה אחת פעילה של משתמש Studio בכל פעם.

2. בממשק המשתמש של Studio, התחל מחברת עם כל אחד מהגרעינים הנתמכים, למשל, תמונת SparkMagic עם ליבת PySpark.
3. התחבר לאשכול על ידי בחירה אשכול במחברת ובחירת האשכול -emr-cluster.
4. בחרו לְחַבֵּר.

מכיוון שהפרופיל של טינה מוגדר עם מספר תפקידי EMR, תתבקש עם תפריט נפתח של ממשק משתמש המאפשר לך להתחבר באמצעות מספר תפקידים.

5. בחר את התפקיד -sales-data-access-role ולבחור לְחַבֵּר.
   

תפקיד הביצוע של Studio זמין גם בתפריט הנפתח, מכיוון שהאשכולות מתחברים באמצעות תפקיד הביצוע של המשתמש כברירת מחדל כדי להתחבר לאשכול.

אתה יכול לספק גישה ישירה ל-Lake Formation גם לתפקיד הביצוע של המשתמש. פעולה זו תיצור אוטומטית תא מחברת עם פקודות קסם לחיבור לאשכול, באמצעות התפקיד הנבחר. כעת בוא נשאל את טבלת המכירות מהמחברת.

6. בתא חדש, הזן את השאילתה הבאה והפעל את התא:

   sqlContext.sql("show databases").show()
   # use the TPC dataset
   sqlContext.sql("use tpc")
   sqlContext.sql("select * from dl_tpc_web_sales limit 10").show()

לאחר שהתא פועל בהצלחה, תוכל להציג את 10 הרשומות הראשונות בטבלה.

כעת ננסה לגשת לטבלת המוצרים.

7. בחרו אשכול שוב, ובחר את האשכול.
8. בחלון הקופץ של התפקיד, בחר את התפקיד -electronics-data-access-role ולהתחבר לאשכול.
9. לאחר שהתחברת בהצלחה לאשכול עם תפקיד הגישה לנתוני אלקטרוניקה, צור תא חדש והפעל את השאילתה הבאה:

   sqlContext.sql("select * from dl_tpc_item limit 10").show()

תא זה אמור להסתיים בהצלחה, ותוכל להציג את 10 הרשומות הראשונות בטבלת המוצרים.

עם פרופיל משתמש יחיד ב-Studio, קיבלת כעת בהצלחה מספר תפקידים, ושאלת נתונים ב-Lake Formation באמצעות מספר תפקידים, ללא צורך בהפעלה מחדש של המחברות או יצירת אשכולות נוספים. כעת, כאשר אתה יכול לגשת לנתונים באמצעות תפקידים מתאימים, אתה יכול לחקור את הנתונים באופן אינטראקטיבי, להמחיש את הנתונים ולהכין נתונים לאימון. השתמשת גם בפרופילי משתמשים שונים כדי לספק למשתמשים שלך בצוותים שונים גישה לטבלה או עמודות ושורות ספציפיות, ללא צורך באשכולות נוספים.

לנקות את

כשתסיים להתנסות בפתרון זה, נקה את המשאבים שלך:

1. כבה את אפליקציות Studio עבור פרופילי המשתמש. לִרְאוֹת כבה ועדכן את SageMaker Studio ו-Studio Apps להנחיות. ודא שכל האפליקציות נמחקות לפני מחיקת הערימה.

אשכול ה-EMR יימחק אוטומטית לאחר ערך הזמן הקצוב של פסק זמן סרק.

2. מחק את אמצעי האחסון של EFS שנוצר עבור הדומיין. אתה יכול להציג את אמצעי האחסון של EFS המצורף לדומיין באמצעות א תאר דומיין שיחת API.
3. ודא ל לרוקן את הדליים של S3 נוצר על ידי מחסנית זו.
4. מחק את הערימה ממסוף AWS CloudFormation.

סיכום

פוסט זה הראה לך כיצד אתה יכול להשתמש בתפקידי זמן ריצה כדי לחבר את Studio עם Amazon EMR כדי להחיל בקרת גישה עדינה לנתונים עם Lake Formation. הדגמנו גם כיצד מספר משתמשי Studio יכולים להתחבר לאותו אשכול EMR, כל אחד משתמש בתפקיד IAM בזמן ריצה עם הרשאות התואמות את רמת הגישה האישית שלהם לנתונים. פירטנו את השלבים הנדרשים להגדרה ידנית של האינטגרציה, וסיפקנו תבנית CloudFormation להגדרת התשתית מקצה לקצה. תכונה זו זמינה באזורי ה-AWS הבאים: אירופה (פריז), ארה"ב מזרח (נ' וירג'יניה ואוהיו) ומערב ארה"ב (אורגון), ותבנית CloudFormation תתפרס במזרח ארה"ב (נ' וירג'יניה ואוהיו) ובמערב ארה"ב (אורגון).

למידע נוסף על שימוש ב-EMR עם SageMaker Studio, בקר הכן נתונים באמצעות Amazon EMR. אנו ממליצים לך לנסות את הפונקציונליות החדשה הזו, ולהתחבר ל- למידת מכונה ובינה מלאכותית קהילה אם יש לך שאלות או משוב!

על המחברים

דורגה סורי הוא אדריכל ML Solutions בצוות Amazon SageMaker Service SA. היא נלהבת להנגיש למידת מכונה לכולם. ב-3 השנים שלה ב-AWS, היא סייעה בהקמת פלטפורמות AI/ML עבור לקוחות ארגוניים. כשהיא לא עובדת, היא אוהבת רכיבה על אופנוע, רומנים מסתוריים וטיולים עם האסקי בן הארבע שלה.

סריהרש אדרי הוא ארכיטקט פתרונות בכיר בחברת Amazon Web Services (AWS), שם הוא עוזר ללקוחות לעבוד לאחור מהתוצאות העסקיות כדי לפתח פתרונות חדשניים ב-AWS. במהלך השנים, הוא עזר ללקוחות רבים בטרנספורמציות של פלטפורמת נתונים על פני ענפי התעשייה. תחום הליבה שלו כולל אסטרטגיה טכנולוגית, ניתוח נתונים ומדעי נתונים. בזמנו הפנוי הוא נהנה לשחק טניס, לצפות בתוכניות טלוויזיה ולשחק בטאבלה.

מאירה לדירה טנקה הוא אדריכל פתרונות ML מומחה ב-AWS. עם רקע במדעי הנתונים, יש לה 9 שנות ניסיון באדריכלות ובניית יישומי ML עם לקוחות בכל תעשיות. כמובילה טכנית, היא עוזרת ללקוחות להאיץ את השגת הערך העסקי שלהם באמצעות טכנולוגיות מתפתחות ופתרונות חדשניים. בזמנה הפנוי, מאירה נהנית לטייל ולבלות עם משפחתה במקום חמים.

סומדה סוואמי הוא מנהל מוצר ראשי בחברת Amazon Web Services. הוא מוביל את צוות SageMaker Studio לבנות אותו לתוך ה-IDE הנבחר עבור תהליכי עבודה אינטראקטיביים של מדע נתונים ותהליכי הנדסת נתונים. הוא בילה את 15 השנים האחרונות בבניית מוצרי צריכה וארגונים אובססיביים על ידי לקוחות באמצעות Machine Learning. בזמנו הפנוי הוא אוהב לצלם את הגיאולוגיה המדהימה של דרום מערב אמריקה.

יוני ליו הוא מהנדס תוכנה בצוות SageMaker Notebooks. יש לו תואר שני בהנדסה מאוניברסיטת דיוק. הוא עובד עבור אמזון מאז 2015 ותרם לשירותי AWS כמו Amazon Machine Learning, Amazon SageMaker Notebooks ו-Amazon SageMaker Studio. בזמנו הפנוי הוא נהנה לבלות עם משפחתו, לקרוא, לבשל ולשחק במשחקי וידאו.