เนื่องจากเทคโนโลยีปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่องจักร (ML) กลายเป็นกระแสหลัก องค์กรหลายแห่งประสบความสำเร็จในการสร้างแอปพลิเคชันทางธุรกิจที่สำคัญซึ่งขับเคลื่อนโดยโมเดล ML ในระดับการผลิต อย่างไรก็ตาม เนื่องจากโมเดล ML เหล่านี้กำลังทำการตัดสินใจทางธุรกิจที่สำคัญสำหรับธุรกิจ จึงเป็นเรื่องสำคัญสำหรับองค์กรที่จะต้องเพิ่มราวกั้นที่เหมาะสมตลอดวงจรการใช้งาน ML Guardrails ช่วยให้มั่นใจได้ว่าความปลอดภัย ความเป็นส่วนตัว และคุณภาพของโค้ด การกำหนดค่า และข้อมูลและการกำหนดค่าโมเดลที่ใช้ในวงจรชีวิตของโมเดลจะได้รับเวอร์ชันและรักษาไว้
การใช้รั้วเหล่านี้เริ่มยากขึ้นสำหรับองค์กร เนื่องจากกระบวนการและกิจกรรม ML ภายในองค์กรมีความซับซ้อนมากขึ้น เนื่องจากการรวมกระบวนการที่เกี่ยวข้องอย่างลึกซึ้งซึ่งต้องได้รับการสนับสนุนจากผู้มีส่วนได้ส่วนเสียและบุคคลหลายราย นอกเหนือจากวิศวกรข้อมูลและนักวิทยาศาสตร์ข้อมูลแล้ว ยังมีการรวมกระบวนการปฏิบัติงานเพื่อทำให้วงจร ML เป็นอัตโนมัติและคล่องตัวอีกด้วย นอกจากนี้ ผู้มีส่วนได้ส่วนเสียทางธุรกิจที่เพิ่มขึ้นอย่างรวดเร็ว และในบางกรณี การตรวจสอบด้านกฎหมายและการปฏิบัติตามข้อกำหนดจำเป็นต้องมีความสามารถในการเพิ่มความโปร่งใสในการจัดการการควบคุมการเข้าถึง การติดตามกิจกรรม และการรายงานตลอดวงจรชีวิตของ ML
เฟรมเวิร์กที่ให้การมองเห็นอย่างเป็นระบบในการพัฒนาโมเดล ML การตรวจสอบความถูกต้อง และการใช้งานเรียกว่าการกำกับดูแล ML ในช่วง AWS re:Invent 2022 AWS เปิดตัวเครื่องมือกำกับดูแล ML ใหม่ for อเมซอน SageMaker ซึ่งช่วยลดความยุ่งยากในการควบคุมการเข้าถึงและเพิ่มความโปร่งใสให้กับโปรเจ็กต์ ML ของคุณ เครื่องมืออย่างหนึ่งที่มีให้เป็นส่วนหนึ่งของการกำกับดูแล ML คือ การ์ดโมเดล Amazon SageMakerซึ่งมีความสามารถในการสร้างแหล่งความจริงแห่งเดียวสำหรับข้อมูลโมเดลโดยการรวมศูนย์และสร้างมาตรฐานเอกสารตลอดวงจรชีวิตของโมเดล
การ์ดโมเดล SageMaker ช่วยให้คุณสามารถกำหนดมาตรฐานวิธีการจัดทำเอกสารโมเดล ซึ่งช่วยให้มองเห็นวงจรการใช้งานของโมเดลได้ ตั้งแต่การออกแบบ การสร้าง การฝึกอบรม และการประเมินผล การ์ดโมเดลมีวัตถุประสงค์เพื่อเป็นแหล่งข้อมูลเดียวสำหรับธุรกิจและข้อมูลเมตาทางเทคนิคเกี่ยวกับโมเดลที่สามารถใช้เพื่อวัตถุประสงค์ในการตรวจสอบและจัดทำเอกสารได้อย่างน่าเชื่อถือ พวกเขาจัดเตรียมเอกสารข้อเท็จจริงของแบบจำลองที่มีความสำคัญสำหรับการกำกับดูแลแบบจำลอง
เมื่อคุณปรับขนาดโมเดล โปรเจ็กต์ และทีม ตามแนวทางปฏิบัติที่ดีที่สุด เราขอแนะนำให้คุณใช้กลยุทธ์แบบหลายบัญชีที่ให้การแยกโปรเจ็กต์และทีมสำหรับการพัฒนาและการปรับใช้โมเดล ML สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการปรับปรุงการกำกับดูแลโมเดล ML ของคุณ โปรดดูที่ ปรับปรุงการกำกับดูแลโมเดลแมชชีนเลิร์นนิงของคุณด้วย Amazon SageMaker.
ภาพรวมสถาปัตยกรรม
สถาปัตยกรรมดำเนินการดังนี้:
- บัญชี Data Science – นักวิทยาศาสตร์ข้อมูลทำการทดลองใน SageMaker สตูดิโอ และสร้างการตั้งค่า MLOps เพื่อปรับใช้โมเดลกับสภาพแวดล้อมการแสดงละคร/การใช้งานจริงโดยใช้ โครงการ SageMaker.
- บัญชี ML Shared Services – MLOps ที่ตั้งค่าจากบัญชี Data Science จะทริกเกอร์ไปป์ไลน์การผสานรวมอย่างต่อเนื่องและการส่งมอบอย่างต่อเนื่อง (CI/CD) โดยใช้ AWS CodeCommit และ AWS CodePipeline.
- บัญชี Dev – ไปป์ไลน์ CI/CD จะทริกเกอร์ไปป์ไลน์ ML เพิ่มเติมในบัญชีนี้ ซึ่งครอบคลุมการประมวลผลข้อมูลล่วงหน้า การฝึกโมเดล และการประมวลผลภายหลัง เช่น การประเมินและการลงทะเบียนโมเดล เอาต์พุตของไปป์ไลน์เหล่านี้จะปรับใช้โมเดลใน ปลายทาง SageMaker เพื่อนำไปใช้เพื่อการอนุมาน ขึ้นอยู่กับข้อกำหนดด้านการกำกับดูแลของคุณ บัญชี Data Science & Dev สามารถรวมเป็นบัญชี AWS เดียวได้
- บัญชีข้อมูล – ไปป์ไลน์ ML ที่ทำงานอยู่ในบัญชี Dev จะดึงข้อมูลจากบัญชีนี้
- บัญชีทดสอบและบัญชี Prod – ไปป์ไลน์ CI/CD จะดำเนินการปรับใช้ต่อไปหลังจากบัญชี Dev เพื่อตั้งค่าการกำหนดค่าตำแหน่งข้อมูล SageMaker ในบัญชีเหล่านี้
- ความปลอดภัยและการกำกับดูแล – บริการต่างๆ เช่น AWS Identity and Access Management (IAM), AWS IAM Identity Center, AWS CloudTrail, AWS Key Management Service (AWS KMS), Amazon CloudWatch และ AWS Security Hub จะถูกนำมาใช้กับบัญชีเหล่านี้โดยเป็นส่วนหนึ่งของการรักษาความปลอดภัยและ การกำกับดูแล
ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมนี้
สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการตั้งค่าสถาปัตยกรรม ML หลายบัญชีที่ปรับขนาดได้ โปรดดูที่ รากฐาน MLOps สำหรับองค์กรด้วย Amazon SageMaker.
ลูกค้าของเราต้องการความสามารถในการแบ่งปันการ์ดโมเดลระหว่างบัญชีต่างๆ เพื่อปรับปรุงการมองเห็นและการกำกับดูแลโมเดลของพวกเขาผ่านข้อมูลที่แบ่งปันในการ์ดโมเดล ขณะนี้ ด้วยการแบ่งปันการ์ดโมเดลข้ามบัญชี ลูกค้าจะเพลิดเพลินกับประโยชน์ของกลยุทธ์หลายบัญชี ขณะเดียวกันก็สามารถเข้าถึงการ์ดโมเดลที่มีอยู่ในองค์กรได้ ดังนั้น พวกเขาจึงสามารถเร่งการทำงานร่วมกันและรับประกันการกำกับดูแลได้
ในโพสต์นี้ เราจะแสดงวิธีการตั้งค่าและเข้าถึงการ์ดโมเดลในบัญชี Model Development Lifecycle (MDLC) โดยใช้คุณลักษณะการใช้ร่วมกันข้ามบัญชีใหม่ของการ์ดโมเดล ขั้นแรก เราจะอธิบายสถานการณ์และสถาปัตยกรรมสำหรับการตั้งค่าคุณลักษณะการใช้ร่วมกันข้ามบัญชีของการ์ดโมเดล จากนั้นเจาะลึกเข้าไปในแต่ละองค์ประกอบของวิธีการตั้งค่าและการเข้าถึงการ์ดโมเดลที่ใช้ร่วมกันข้ามบัญชี เพื่อปรับปรุงการมองเห็นและการกำกับดูแลโมเดล
ภาพรวมโซลูชัน
เมื่อสร้างโมเดล ML เราขอแนะนำให้ตั้งค่าสถาปัตยกรรมแบบหลายบัญชีเพื่อให้การแยกภาระงานปรับปรุงความปลอดภัย ความน่าเชื่อถือ และความสามารถในการปรับขนาด สำหรับโพสต์นี้ เราจะถือว่าการสร้างและปรับใช้โมเดลสำหรับกรณีการใช้งาน Customer Churn แผนภาพสถาปัตยกรรมต่อไปนี้แสดงหนึ่งในแนวทางที่แนะนำ – การ์ดโมเดลแบบรวมศูนย์ – สำหรับการจัดการการ์ดโมเดลในสถาปัตยกรรม Machine Learning Model-Development Lifecycle (MDLC) แบบหลายบัญชี อย่างไรก็ตาม คุณยังสามารถใช้แนวทางอื่นได้ ซึ่งได้แก่ การ์ดโมเดลแบบฮับและซี่ล้อ ในโพสต์นี้ เราจะเน้นเฉพาะแนวทางการ์ดโมเดลแบบรวมศูนย์ แต่หลักการเดียวกันนี้สามารถขยายไปยังแนวทางแบบฮับและพูดได้ ข้อแตกต่างหลักคือ บัญชีที่พูดแต่ละบัญชีจะรักษาเวอร์ชันของการ์ดแบบจำลองของตัวเอง และจะมีกระบวนการรวมและคัดลอกไปยังบัญชีส่วนกลาง
ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมนี้
สถาปัตยกรรมดำเนินการดังนี้:
- Lead Data Scientist ได้รับแจ้งให้แก้ไขกรณีการใช้งาน Customer Churn โดยใช้ ML และพวกเขาเริ่มต้นโปรเจ็กต์ ML ผ่านการสร้างการ์ดโมเดลสำหรับโมเดล Customer Churn V1 ในสถานะแบบร่างในบัญชี ML Shared Services
- ด้วยระบบอัตโนมัติ การ์ดโมเดลนั้นจะถูกแชร์กับบัญชี ML Dev
- นักวิทยาศาสตร์ข้อมูลสร้างโมเดลและเริ่มเติมข้อมูลผ่าน API ลงในการ์ดโมเดลตามผลการทดลอง และสถานะการ์ดโมเดลได้รับการตั้งค่าเป็นรอการตรวจสอบ
- ด้วยระบบอัตโนมัติ การ์ดโมเดลนั้นจะถูกแชร์กับบัญชีทดสอบ ML
- ML Engineer (MLE) ดำเนินการทดสอบการรวมและการตรวจสอบความถูกต้องในบัญชี ML Test และแบบจำลองในรีจิสทรีส่วนกลางถูกทำเครื่องหมายว่ารอการอนุมัติ
- ผู้อนุมัติโมเดลจะตรวจสอบผลลัพธ์ของโมเดลด้วยเอกสารสนับสนุนที่ให้ไว้ในการ์ดโมเดลส่วนกลาง และอนุมัติการ์ดโมเดลสำหรับการปรับใช้จริง
- การ์ดโมเดลนั้นจะถูกแชร์กับบัญชี ML Prod ในโหมดอ่านอย่างเดียวผ่านระบบอัตโนมัติ
เบื้องต้น
ก่อนที่คุณจะเริ่มต้น ตรวจสอบให้แน่ใจว่าคุณมีข้อกำหนดเบื้องต้นดังต่อไปนี้:
- สอง บัญชี AWS.
- ในบัญชี AWS ทั้งสอง บทบาทสหพันธรัฐ IAM ที่มีสิทธิ์การเข้าถึงของผู้ดูแลระบบเพื่อทำสิ่งต่อไปนี้:
- สร้าง แก้ไข ดู และลบการ์ดโมเดลภายใน Amazon SageMaker
- สร้าง แก้ไข ดู และลบการแชร์ทรัพยากรภายใน AWS RAM
สำหรับข้อมูลเพิ่มเติมโปรดดูที่ ตัวอย่างนโยบาย IAM สำหรับ AWS RAM.
การตั้งค่าการแชร์การ์ดโมเดล
บัญชีที่สร้างบัตรแบบจำลองคือบัญชีบัตรแบบจำลอง ผู้ใช้ในบัญชีการ์ดโมเดลแชร์กับบัญชีที่ใช้ร่วมกันซึ่งสามารถอัปเดตได้ ผู้ใช้ในบัญชีการ์ดโมเดลสามารถแชร์การ์ดโมเดลของตนได้ ตัวจัดการการเข้าถึงทรัพยากร AWS (AWS RAM). AWS RAM ช่วยให้คุณแบ่งปันทรัพยากรระหว่างบัญชี AWS
ในส่วนต่อไปนี้ เราจะแสดงวิธีการแชร์การ์ดแบบจำลอง
ขั้นแรก สร้างการ์ดแบบจำลองสำหรับกรณีการใช้งานการเลิกใช้งานของลูกค้าตามที่อธิบายไว้ก่อนหน้านี้ บนคอนโซล Amazon SageMaker ให้ขยายส่วนการกำกับดูแลแล้วเลือก การ์ดโมเดล.
เราสร้างการ์ดโมเดลขึ้นมา แบบร่าง สถานะพร้อมชื่อ ลูกค้า-ปั่น-โมเดล-การ์ด. สำหรับข้อมูลเพิ่มเติม โปรดดูที่ สร้างการ์ดโมเดล. ในการสาธิตนี้ คุณสามารถปล่อยให้ส่วนที่เหลือของฟิลด์ว่างไว้และสร้างการ์ดแบบจำลองได้
หรือคุณสามารถใช้คำสั่ง AWS CLI ต่อไปนี้เพื่อสร้างการ์ดโมเดล:
ตอนนี้ สร้างการแชร์ข้ามบัญชีโดยใช้ AWS RAM ในคอนโซล AWS RAM ให้เลือก สร้างการแบ่งปันทรัพยากร.
ป้อนชื่อสำหรับการแชร์ทรัพยากร เช่น "ลูกค้า-ปั่น-โมเดล-การ์ด-แชร์" ในแหล่งข้อมูล – ไม่จำเป็น ส่วน ให้เลือกประเภททรัพยากรเป็น การ์ดโมเดล SageMaker การ์ดโมเดลที่เราสร้างในขั้นตอนก่อนหน้าจะปรากฏในรายการ
เลือกแบบจำลองนั้นและจะปรากฏในส่วนทรัพยากรที่เลือก เลือกทรัพยากรนั้นอีกครั้งตามที่แสดงในขั้นตอนต่อไปนี้ และเลือก ถัดไป.
ในหน้าถัดไป คุณสามารถเลือกสิทธิ์ที่ได้รับการจัดการได้ คุณสามารถสร้างการอนุญาตที่กำหนดเองหรือใช้ตัวเลือกเริ่มต้น “AWSRAMPermissionSageMakerModelCards
” และเลือก ถัดไป. สำหรับข้อมูลเพิ่มเติม โปรดดูที่ การจัดการสิทธิ์ใน AWS RAM.
ในหน้าถัดไป คุณสามารถเลือกอาจารย์ใหญ่ได้ ภายใต้เลือกประเภทหลัก ให้เลือก บัญชี AWS และกรอก ID บัญชีของบัตรแชร์โมเดล เลือก เพิ่ม และไปต่อที่หน้าถัดไป
ในหน้าสุดท้าย ตรวจสอบข้อมูลและเลือก "สร้างการแบ่งปันทรัพยากร" หรือคุณสามารถใช้สิ่งต่อไปนี้ AWS CLI คำสั่งเพื่อสร้างการแชร์ทรัพยากร:
บนคอนโซล AWS RAM คุณจะเห็นคุณลักษณะของการแชร์ทรัพยากร ตรวจสอบให้แน่ใจว่าทรัพยากรที่ใช้ร่วมกัน สิทธิ์ที่ได้รับการจัดการ และหลักการที่ใช้ร่วมกันอยู่ใน "Associated
” สถานะ
หลังจากที่คุณใช้ AWS RAM เพื่อสร้างการแชร์ทรัพยากร หลักการที่ระบุในการแชร์ทรัพยากรจะได้รับอนุญาตให้เข้าถึงทรัพยากรของการแชร์ได้
- หากคุณเปิดการแชร์ AWS RAM กับองค์กร AWS และหลักการของคุณที่คุณแชร์ด้วยนั้นอยู่ในองค์กรเดียวกันกับบัญชีการแชร์ หลักการเหล่านั้นจะสามารถรับการเข้าถึงได้ทันทีที่ผู้ดูแลบัญชีให้สิทธิ์แก่พวกเขา
- หากคุณไม่เปิดการแชร์ AWS RAM กับองค์กร คุณยังคงสามารถแชร์ทรัพยากรกับบัญชี AWS แต่ละบัญชีที่อยู่ในองค์กรของคุณได้ ผู้ดูแลระบบในบัญชีที่ใช้งานได้รับคำเชิญให้เข้าร่วมการแบ่งปันทรัพยากร และพวกเขาจะต้องยอมรับคำเชิญก่อนที่หลักการที่ระบุในการแชร์ทรัพยากรจะสามารถเข้าถึงทรัพยากรที่ใช้ร่วมกันได้
- คุณยังสามารถแชร์กับบัญชีภายนอกองค์กรของคุณได้หากประเภททรัพยากรรองรับ ผู้ดูแลระบบในบัญชีที่ใช้งานได้รับคำเชิญให้เข้าร่วมการแบ่งปันทรัพยากร และพวกเขาจะต้องยอมรับคำเชิญก่อนที่หลักการที่ระบุในการแชร์ทรัพยากรจะสามารถเข้าถึงทรัพยากรที่ใช้ร่วมกันได้
สำหรับข้อมูลเพิ่มเติมเกี่ยวกับ AWS RAM โปรดดูที่ ข้อกำหนดและแนวคิดสำหรับ AWS RAM.
การเข้าถึงการ์ดโมเดลที่ใช้ร่วมกัน
ตอนนี้เราสามารถเข้าสู่ระบบบัญชี AWS ที่ใช้ร่วมกันเพื่อเข้าถึงการ์ดโมเดลได้ ตรวจสอบให้แน่ใจว่าคุณกำลังเข้าถึงคอนโซล AWS โดยใช้สิทธิ์ IAM (บทบาท IAM) ซึ่งอนุญาตการเข้าถึง AWS RAM
ด้วย AWS RAM คุณสามารถดูการแบ่งปันทรัพยากรที่คุณได้เพิ่มเข้าไป ทรัพยากรที่ใช้ร่วมกันที่คุณสามารถเข้าถึงได้ และบัญชี AWS ที่ได้แบ่งปันทรัพยากรกับคุณ คุณยังสามารถออกจากการแบ่งปันทรัพยากรได้เมื่อคุณไม่ต้องการการเข้าถึงทรัพยากรที่ใช้ร่วมกันอีกต่อไป
หากต้องการดูการ์ดโมเดลในบัญชี AWS ที่ใช้ร่วมกัน:
- ไปที่ แบ่งปันกับฉัน: ทรัพยากรที่ใช้ร่วมกัน หน้าในคอนโซล AWS RAM
- ตรวจสอบให้แน่ใจว่าคุณดำเนินงานในภูมิภาค AWS เดียวกับที่มีการสร้างการแชร์
- โมเดลที่แชร์จากบัญชีโมเดลจะมีอยู่ในรายการ หากมีรายการทรัพยากรจำนวนมาก คุณสามารถใช้ตัวกรองเพื่อค้นหาทรัพยากรที่ใช้ร่วมกันที่เฉพาะเจาะจงได้ คุณสามารถใช้ตัวกรองหลายตัวเพื่อจำกัดการค้นหาของคุณให้แคบลง
- ข้อมูลต่อไปนี้สามารถใช้ได้:
- รหัสทรัพยากร – ID ของทรัพยากร นี่คือชื่อของการ์ดโมเดลที่เราสร้างไว้ก่อนหน้านี้ในบัญชีการ์ดโมเดล
- ประเภททรัพยากร – ประเภทของทรัพยากร
- วันที่แบ่งปันล่าสุด – วันที่แบ่งปันทรัพยากรกับคุณ
- การแบ่งปันทรัพยากร – จำนวนการแบ่งปันทรัพยากรซึ่งมีทรัพยากรรวมอยู่ด้วย เลือกค่าเพื่อดูการแบ่งปันทรัพยากร
- รหัสเจ้าของ – ID ของตัวการที่เป็นเจ้าของทรัพยากร
คุณยังสามารถเข้าถึงการ์ดโมเดลได้โดยใช้ตัวเลือก AWS CLI สำหรับนโยบาย AWS IAM ที่กำหนดค่าด้วยข้อมูลประจำตัวที่ถูกต้อง ตรวจสอบให้แน่ใจว่าคุณมีสิทธิ์ในการสร้าง แก้ไข และลบการ์ดโมเดลภายใน Amazon SageMaker สำหรับข้อมูลเพิ่มเติม โปรดดูที่ กำหนดค่า AWS CLI.
คุณสามารถใช้นโยบายสิทธิ์ AWS IAM ต่อไปนี้เป็นเทมเพลต:
คุณสามารถเรียกใช้คำสั่ง AWS CLI ต่อไปนี้เพื่อเข้าถึงรายละเอียดของการ์ดโมเดลที่ใช้ร่วมกันได้
ตอนนี้คุณสามารถเปลี่ยนแปลงการ์ดแบบจำลองนี้ได้จากบัญชีนี้
หลังจากที่คุณทำการเปลี่ยนแปลง ให้กลับไปที่บัญชีการ์ดโมเดลเพื่อดูการเปลี่ยนแปลงที่เราทำในบัญชีที่ใช้ร่วมกันนี้
ประเภทปัญหาได้รับการอัปเดตเป็น “Customer Churn Model
” ซึ่งเราได้จัดเตรียมไว้เป็นส่วนหนึ่งของอินพุตคำสั่ง AWS CLI
ทำความสะอาด
ตอนนี้คุณสามารถลบการ์ดโมเดลที่คุณสร้างขึ้นได้แล้ว ตรวจสอบให้แน่ใจว่าคุณลบการแชร์ทรัพยากร AWS RAM ที่คุณสร้างขึ้นเพื่อแชร์การ์ดโมเดล
สรุป
ในโพสต์นี้ เราได้ให้ภาพรวมของสถาปัตยกรรมแบบหลายบัญชีเพื่อปรับขนาดและควบคุมปริมาณงาน ML ของคุณอย่างปลอดภัยและเชื่อถือได้ เราได้พูดคุยถึงรูปแบบสถาปัตยกรรมสำหรับการตั้งค่าการแบ่งปันการ์ดโมเดล และแสดงให้เห็นว่ารูปแบบการแบ่งปันการ์ดโมเดลแบบรวมศูนย์ทำงานอย่างไร สุดท้าย เราได้ตั้งค่าการแบ่งปันการ์ดโมเดลในหลายบัญชีเพื่อปรับปรุงการมองเห็นและการกำกับดูแลในวงจรการพัฒนาโมเดลของคุณ เราขอแนะนำให้คุณลองใช้คุณสมบัติการแบ่งปันการ์ดโมเดลใหม่และแจ้งให้เราทราบความคิดเห็นของคุณ
เกี่ยวกับผู้แต่ง
วิชาล ไนค์ เป็น Sr. Solutions Architect ที่ Amazon Web Services (AWS) เขาเป็นผู้สร้างที่ชื่นชอบการช่วยเหลือลูกค้าให้บรรลุความต้องการทางธุรกิจและแก้ปัญหาความท้าทายที่ซับซ้อนด้วยโซลูชัน AWS และแนวทางปฏิบัติที่ดีที่สุด พื้นที่หลักที่เขามุ่งเน้น ได้แก่ แมชชีนเลิร์นนิง, DevOps และคอนเทนเนอร์ ในเวลาว่าง Vishal ชอบสร้างหนังสั้นเกี่ยวกับการเดินทางข้ามเวลาและจักรวาลอื่น
ราม วิตตาล เป็น Principal ML Solutions Architect ที่ AWS เขามีประสบการณ์มากกว่า 20 ปีในด้านสถาปัตยกรรมและการสร้างแอปพลิเคชันแบบกระจาย ไฮบริด และคลาวด์ เขามีความหลงใหลในการสร้างโซลูชัน AI/ML และบิ๊กดาต้าที่ปลอดภัยและปรับขนาดได้ เพื่อช่วยลูกค้าระดับองค์กรในการปรับใช้ระบบคลาวด์และการเพิ่มประสิทธิภาพเพื่อปรับปรุงผลลัพธ์ทางธุรกิจของพวกเขา ในเวลาว่าง เขาขี่มอเตอร์ไซค์และเดินเล่นกับแกะดูเดิลวัย 2 ขวบ!
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. ยานยนต์ / EVs, คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ChartPrime. ยกระดับเกมการซื้อขายของคุณด้วย ChartPrime เข้าถึงได้ที่นี่.
- BlockOffsets การปรับปรุงการเป็นเจ้าของออฟเซ็ตด้านสิ่งแวดล้อมให้ทันสมัย เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/use-amazon-sagemaker-model-card-sharing-to-improve-model-governance/
- :มี
- :เป็น
- :ที่ไหน
- $ ขึ้น
- 10
- 100
- 20
- 2022
- 361
- 7
- 700
- 9
- a
- เกี่ยวกับเรา
- เร่งความเร็ว
- ยอมรับ
- เข้า
- การเข้าถึง
- การเข้าถึง
- บรรลุผล
- ลงชื่อเข้าใช้
- บัญชี
- การบรรลุ
- ข้าม
- การกระทำ
- กิจกรรม
- อยากทำกิจกรรม
- เพิ่ม
- ที่เพิ่ม
- นอกจากนี้
- นอกจากนี้
- นำมาใช้
- การนำมาใช้
- หลังจาก
- อีกครั้ง
- สรุป
- AI
- AI / ML
- อนุญาต
- ด้วย
- อเมซอน
- อเมซอน SageMaker
- Amazon Web Services
- Amazon Web Services (AWS)
- an
- และ
- อื่น
- APIs
- ปรากฏ
- การใช้งาน
- ใช้
- เข้าใกล้
- วิธีการ
- สถาปัตยกรรม
- เป็น
- AREA
- เทียม
- ปัญญาประดิษฐ์
- ปัญญาประดิษฐ์ (AI)
- AS
- สมมติ
- At
- แอตทริบิวต์
- การตรวจสอบบัญชี
- โดยอัตโนมัติ
- อัตโนมัติ
- ใช้ได้
- AWS
- AWS Identity และการจัดการการเข้าถึง (IAM)
- AWS re:ประดิษฐ์
- กลับ
- ตาม
- BE
- เพราะ
- กลายเป็น
- สมควร
- รับ
- ก่อน
- ประโยชน์ที่ได้รับ
- ที่ดีที่สุด
- ปฏิบัติที่ดีที่สุด
- ใหญ่
- ข้อมูลขนาดใหญ่
- ทั้งสอง
- สร้าง
- สร้าง
- การก่อสร้าง
- สร้าง
- ธุรกิจ
- การประยุกต์ทางธุรกิจ
- แต่
- by
- ที่เรียกว่า
- CAN
- ความสามารถในการ
- ความสามารถ
- บัตร
- การ์ด
- กรณี
- กรณี
- ศูนย์
- ส่วนกลาง
- ส่วนกลาง
- ความท้าทาย
- การเปลี่ยนแปลง
- Choose
- เมฆ
- การยอมรับระบบคลาวด์
- รหัส
- การทำงานร่วมกัน
- ซับซ้อน
- การปฏิบัติตาม
- ส่วนประกอบ
- แนวความคิด
- ความประพฤติ
- องค์ประกอบ
- การกำหนดค่า
- ปลอบใจ
- ถูกใช้
- ภาชนะบรรจุ
- ต่อ
- ต่อเนื่องกัน
- ผลงาน
- ควบคุม
- แกน
- แก้ไข
- ครอบคลุม
- สร้าง
- ที่สร้างขึ้น
- การสร้าง
- หนังสือรับรอง
- วิกฤติ
- ประเพณี
- ลูกค้า
- ลูกค้า
- ข้อมูล
- วิทยาศาสตร์ข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- วันที่
- การตัดสินใจ
- ลึก
- ค่าเริ่มต้น
- การจัดส่ง
- ทั้งนี้ขึ้นอยู่กับ
- ปรับใช้
- ปรับใช้
- การใช้งาน
- บรรยาย
- อธิบาย
- การออกแบบ
- รายละเอียด
- dev
- พัฒนาการ
- ความแตกต่าง
- กล่าวถึง
- กระจาย
- การดำน้ำ
- do
- เอกสาร
- Dont
- ร่าง
- สอง
- ในระหว่าง
- แต่ละ
- ก่อน
- ผล
- ทำให้สามารถ
- ส่งเสริม
- ปลายทาง
- วิศวกร
- วิศวกร
- ช่วย
- เพลิดเพลิน
- ทำให้มั่นใจ
- เข้าสู่
- Enterprise
- ผู้ประกอบการ
- สภาพแวดล้อม
- การประเมินผล
- ตัวอย่าง
- แสดง
- ประสบการณ์
- การทดลอง
- ความจริง
- ลักษณะ
- สหพันธ์
- ข้อเสนอแนะ
- สาขา
- ภาพยนตร์
- กรอง
- ฟิลเตอร์
- ในที่สุด
- หา
- ชื่อจริง
- โฟกัส
- ดังต่อไปนี้
- ดังต่อไปนี้
- สำหรับ
- รากฐาน
- กรอบ
- ราคาเริ่มต้นที่
- ต่อไป
- ได้รับ
- ได้รับ
- จะช่วยให้
- Go
- การกำกับดูแล
- การปกครอง
- รับ
- ทุน
- มี
- ยาก
- มี
- มี
- he
- ช่วย
- การช่วยเหลือ
- จะช่วยให้
- ของเขา
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- HTML
- HTTPS
- Hub
- เป็นลูกผสม
- ID
- เอกลักษณ์
- if
- แสดงให้เห็นถึง
- การดำเนินการ
- สำคัญ
- ปรับปรุง
- การปรับปรุง
- in
- รวม
- รวมถึง
- รวม
- เป็นรายบุคคล
- ข้อมูล
- อินพุต
- บูรณาการ
- Intelligence
- ตั้งใจว่า
- เข้าไป
- แนะนำ
- คำเชิญ
- ร่วมมือ
- ความเหงา
- IT
- ITS
- ร่วม
- การเดินทาง
- jpg
- คีย์
- ทราบ
- ชื่อสกุล
- การเรียนรู้
- ทิ้ง
- กฎหมาย
- ให้
- วงจรชีวิต
- กดไลก์
- รายการ
- รายการ
- เข้าสู่ระบบ
- นาน
- อีกต่อไป
- รัก
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- หลัก
- หลัก
- เก็บรักษา
- ทำ
- การทำ
- การจัดการ
- การจัดการ
- ผู้จัดการ
- การจัดการ
- หลาย
- โดดเด่น
- me
- เมตาดาต้า
- ML
- ม.ป.ป
- โหมด
- แบบ
- โมเดล
- ข้อมูลเพิ่มเติม
- รถจักรยานยนต์
- หลาย
- หลาย
- ต้อง
- ชื่อ
- แคบ
- จำเป็นต้อง
- ความต้องการ
- ใหม่
- ถัดไป
- ไม่
- ตอนนี้
- จำนวน
- of
- on
- ONE
- เพียง
- การดำเนินงาน
- การดำเนินงาน
- การเพิ่มประสิทธิภาพ
- ตัวเลือกเสริม (Option)
- or
- organizacja
- องค์กร
- ออก
- ผลลัพธ์
- เอาท์พุต
- ด้านนอก
- เกิน
- ภาพรวม
- ของตนเอง
- เป็นเจ้าของ
- หน้า
- ส่วนหนึ่ง
- หลงใหล
- รูปแบบ
- คาราคาซัง
- สิทธิ์
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- นโยบาย
- นโยบาย
- โพสต์
- ขับเคลื่อน
- การปฏิบัติ
- การปฏิบัติ
- ข้อกำหนดเบื้องต้น
- ก่อน
- ก่อนหน้านี้
- หลัก
- ผู้ว่าจ้าง
- หลักการ
- ความเป็นส่วนตัว
- ปัญหา
- กระบวนการ
- การประมวลผล
- การผลิต
- โครงการ
- โครงการ
- เหมาะสม
- ให้
- ให้
- ให้
- วัตถุประสงค์
- คุณภาพ
- แรม
- RE
- โหมดอ่านอย่างเดียว
- รับ
- ที่ได้รับ
- แนะนำ
- แนะนำ
- ภูมิภาค
- ลงทะเบียน
- รีจิสทรี
- ความเชื่อถือได้
- เหลือ
- การรายงาน
- ต้องการ
- ความต้องการ
- ทรัพยากร
- แหล่งข้อมูล
- ผลสอบ
- ทบทวน
- รีวิว
- บทบาท
- วิ่ง
- วิ่ง
- ทำงาน
- sagemaker
- เดียวกัน
- scalability
- ที่ปรับขนาดได้
- ขนาด
- ปรับ
- สถานการณ์
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- นักวิทยาศาสตร์
- ค้นหา
- Section
- ปลอดภัย
- อย่างปลอดภัย
- ความปลอดภัย
- เห็น
- เลือก
- บริการ
- บริการ
- ชุด
- การตั้งค่า
- การติดตั้ง
- Share
- ที่ใช้ร่วมกัน
- หุ้น
- ใช้งานร่วมกัน
- แผ่น
- สั้น
- โชว์
- แสดง
- แสดงให้เห็นว่า
- ตั้งแต่
- เดียว
- So
- โซลูชัน
- แก้
- บาง
- ในไม่ช้า
- แหล่ง
- โดยเฉพาะ
- ที่ระบุไว้
- ผู้มีส่วนได้เสีย
- มาตรฐาน
- เริ่มต้น
- ข้อความที่เริ่ม
- เริ่มต้น
- คำแถลง
- Status
- ขั้นตอน
- ขั้นตอน
- ยังคง
- กลยุทธ์
- เพรียวลม
- ที่ประสบความสำเร็จ
- ที่สนับสนุน
- รองรับ
- แน่ใจ
- พรั่ง
- ทีม
- ทีม
- วิชาการ
- เทคโนโลยี
- เทมเพลต
- ทดสอบ
- การทดสอบ
- ที่
- พื้นที่
- ข้อมูล
- ของพวกเขา
- พวกเขา
- ธีม
- แล้วก็
- ที่นั่น
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- นี้
- เหล่านั้น
- ตลอด
- ตลอด
- เวลา
- การเดินทางข้ามเวลา
- ไปยัง
- เครื่องมือ
- การติดตาม
- การฝึกอบรม
- ความโปร่งใส
- การเดินทาง
- เรียก
- ความจริง
- ลอง
- กลับ
- ชนิด
- ภายใต้
- จักรวาล
- ให้กับคุณ
- us
- การใช้
- ใช้
- ใช้กรณี
- มือสอง
- ผู้ใช้
- การใช้
- v1
- การตรวจสอบ
- ความคุ้มค่า
- รุ่น
- ผ่านทาง
- รายละเอียด
- vishal
- ความชัดเจน
- คือ
- we
- เว็บ
- บริการเว็บ
- เมื่อ
- ที่
- ในขณะที่
- WHO
- จะ
- กับ
- ภายใน
- งาน
- ปี
- คุณ
- ของคุณ
- ลมทะเล