คุณสามารถสร้างที่เก็บคุณลักษณะเพื่อจัดเตรียมที่เก็บส่วนกลางสำหรับคุณลักษณะแมชชีนเลิร์นนิง (ML) ที่สามารถแชร์กับทีมวิทยาศาสตร์ข้อมูลทั่วทั้งองค์กรของคุณสำหรับการฝึกอบรม การให้คะแนนแบบกลุ่ม และการอนุมานแบบเรียลไทม์ ทีมวิทยาศาสตร์ข้อมูลสามารถนำคุณลักษณะที่จัดเก็บไว้ในที่เก็บส่วนกลางมาใช้ซ้ำได้ โดยไม่จำเป็นต้องรื้อปรับระบบไปป์ไลน์ฟีเจอร์สำหรับโปรเจ็กต์ต่างๆ ใหม่ และด้วยเหตุนี้จึงขจัดการทำงานซ้ำและการทำซ้ำ
เพื่อตอบสนองความต้องการด้านความปลอดภัยและการปฏิบัติตามข้อกำหนด คุณอาจต้องควบคุมโดยละเอียดเกี่ยวกับวิธีการเข้าถึงคุณลักษณะ ML ที่ใช้ร่วมกันเหล่านี้ ความต้องการเหล่านี้มักจะมากกว่าการควบคุมการเข้าถึงระดับตารางและคอลัมน์ไปยังการควบคุมการเข้าถึงระดับแถวแต่ละรายการ ตัวอย่างเช่น คุณอาจต้องการให้ตัวแทนบัญชีเห็นแถวจากตารางการขายสำหรับบัญชีของตนเท่านั้น และปิดบังคำนำหน้าของข้อมูลที่ละเอียดอ่อน เช่น หมายเลขบัตรเครดิต จำเป็นต้องมีการควบคุมการเข้าถึงแบบละเอียดเพื่อปกป้องข้อมูลที่เก็บคุณลักษณะและให้สิทธิ์การเข้าถึงตามบทบาทของบุคคล นี่เป็นสิ่งสำคัญโดยเฉพาะสำหรับลูกค้าและผู้มีส่วนได้ส่วนเสียในอุตสาหกรรมที่จำเป็นต้องตรวจสอบการเข้าถึงข้อมูลคุณลักษณะและให้แน่ใจว่ามีการรักษาความปลอดภัยในระดับที่เหมาะสม
ในโพสต์นี้ เราให้ภาพรวมของวิธีการใช้การควบคุมการเข้าถึงแบบละเอียดกับกลุ่มคุณลักษณะและคุณลักษณะที่จัดเก็บไว้ในที่เก็บคุณลักษณะแบบออฟไลน์โดยใช้ Amazon SageMaker ฟีเจอร์สโตร์ และ การก่อตัวของทะเลสาบ AWS. หากคุณเพิ่งเริ่มใช้ Feature Store คุณอาจต้องการอ้างอิง การทำความเข้าใจความสามารถหลักของ Amazon SageMaker Feature Store สำหรับพื้นหลังเพิ่มเติมก่อนที่จะดำน้ำในส่วนที่เหลือของโพสต์นี้ โปรดทราบว่าสำหรับร้านค้าคุณสมบัติออนไลน์ คุณสามารถใช้ AWS Identity และการจัดการการเข้าถึง นโยบาย (IAM) ที่มีเงื่อนไขในการจำกัดการเข้าถึงของผู้ใช้กับกลุ่มคุณลักษณะ
ภาพรวมโซลูชัน
สถาปัตยกรรมต่อไปนี้ใช้ Lake Formation เพื่อใช้การเข้าถึงระดับแถว คอลัมน์ หรือเซลล์ เพื่อจำกัดกลุ่มคุณลักษณะหรือคุณลักษณะภายในกลุ่มคุณลักษณะที่สามารถเข้าถึงได้โดยนักวิทยาศาสตร์ข้อมูลที่ทำงานใน สตูดิโอ Amazon SageMaker. แม้ว่าเราจะเน้นที่การจำกัดการเข้าถึงสำหรับผู้ใช้ที่ทำงานใน Studio แต่แนวทางเดียวกันนี้ใช้ได้กับผู้ใช้ที่เข้าถึงที่เก็บฟีเจอร์ออฟไลน์โดยใช้บริการต่างๆ เช่น อเมซอน อาเธน่า.
Feature Store เป็นโซลูชันที่สร้างขึ้นตามวัตถุประสงค์สำหรับการจัดการฟีเจอร์ ML ที่ช่วยให้ทีมวิทยาศาสตร์ข้อมูลนำฟีเจอร์ ML กลับมาใช้ซ้ำในทีมและรุ่นต่างๆ ให้บริการฟีเจอร์สำหรับการคาดคะเนแบบจำลองตามขนาดโดยมีเวลาแฝงต่ำ และฝึกอบรมและปรับใช้โมเดลใหม่อย่างรวดเร็วและมีประสิทธิภาพยิ่งขึ้น
Lake Formation เป็นบริการที่มีการจัดการเต็มรูปแบบซึ่งช่วยให้คุณสร้าง รักษาความปลอดภัย และจัดการ Data Lake และให้การควบคุมการเข้าถึงข้อมูลใน Data Lake Lake Formation รองรับระดับความปลอดภัยดังต่อไปนี้:
- สิทธิ์ระดับแถว – จำกัดการเข้าถึงเฉพาะแถวตามการปฏิบัติตามข้อมูลและนโยบายการกำกับดูแล
- สิทธิ์ระดับคอลัมน์ – จำกัดการเข้าถึงเฉพาะคอลัมน์ตามตัวกรองข้อมูล
- สิทธิ์ระดับเซลล์ – รวมการควบคุมทั้งระดับแถวและคอลัมน์โดยให้คุณเข้าถึงแถวและคอลัมน์เฉพาะบนตารางฐานข้อมูล
Lake Formation ยังจัดให้มีการตรวจสอบแบบรวมศูนย์และการรายงานการปฏิบัติตามข้อกำหนดด้วยการระบุว่าผู้บริหารคนใดเข้าถึงข้อมูลใด เมื่อใด และผ่านบริการใด
ด้วยการรวม Feature Store และ Lake Formation คุณสามารถปรับใช้การเข้าถึงแบบละเอียดไปยังฟีเจอร์ ML บนที่เก็บฟีเจอร์ออฟไลน์ที่มีอยู่ของคุณ
ในโพสต์นี้ เรามีแนวทางสำหรับกรณีการใช้งานที่คุณได้สร้างกลุ่มคุณลักษณะใน Feature Store และจำเป็นต้องให้สิทธิ์เข้าถึงทีมวิทยาศาสตร์ข้อมูลของคุณสำหรับการสำรวจคุณลักษณะและสร้างแบบจำลองสำหรับโครงการของพวกเขา ในระดับสูง ผู้ดูแลระบบ Lake Formation จะกำหนดและสร้างรูปแบบการอนุญาตใน Lake Formation และกำหนดให้กับผู้ใช้ Studio รายบุคคลหรือกลุ่มผู้ใช้
เราแนะนำคุณผ่านขั้นตอนต่อไปนี้:
- ลงทะเบียนร้านค้าคุณลักษณะออฟไลน์ใน Lake Formation
- สร้างตัวกรองข้อมูล Lake Formation สำหรับการควบคุมการเข้าถึงแบบละเอียด
- ให้สิทธิ์กลุ่มคุณลักษณะ (ตาราง) และคุณลักษณะ (คอลัมน์)
เบื้องต้น
ในการใช้งานโซลูชันนี้ คุณต้องสร้างผู้ใช้ที่เป็นผู้ดูแลระบบ Lake Formation ใน IAM และลงชื่อเข้าใช้ในฐานะผู้ดูแลระบบนั้น สำหรับคำแนะนำ โปรดดูที่ สร้างผู้ดูแลระบบ Data Lake.
เราเริ่มต้นด้วยการตั้งค่าข้อมูลทดสอบโดยใช้คำสั่งขายของชำสังเคราะห์จากรายชื่อลูกค้าที่สร้างขึ้นโดยสังเคราะห์โดยใช้ ขึ้น ห้องสมุดไพทอน คุณสามารถลองด้วยตัวเองโดยทำตามโมดูลบน GitHub. สำหรับลูกค้าแต่ละราย โน้ตบุ๊กจะสร้างคำสั่งซื้อระหว่าง 1–10 รายการ โดยมีผลิตภัณฑ์ที่ซื้อในแต่ละคำสั่งซื้อ จากนั้นคุณสามารถใช้สิ่งต่อไปนี้ สมุดบันทึก เพื่อสร้างกลุ่มคุณลักษณะสามกลุ่มสำหรับลูกค้า ผลิตภัณฑ์ และชุดข้อมูลคำสั่งซื้อในร้านค้าคุณลักษณะ ก่อนสร้างกลุ่มคุณสมบัติ ตรวจสอบให้แน่ใจว่าสภาพแวดล้อม Studio ของคุณได้รับการตั้งค่าในบัญชี AWS ของคุณ สำหรับคำแนะนำ โปรดดูที่ ออนบอร์ดไปยังโดเมน Amazon SageMaker.
เป้าหมายคือเพื่อแสดงวิธีใช้ Feature Store เพื่อจัดเก็บคุณสมบัติและใช้ Lake Formation เพื่อควบคุมการเข้าถึงคุณสมบัติเหล่านี้ ภาพหน้าจอต่อไปนี้แสดงคำจำกัดความของ orders
กลุ่มคุณลักษณะโดยใช้คอนโซล Studio
Feature Store ใช้ an บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ที่ฝากข้อมูลในบัญชีของคุณเพื่อเก็บข้อมูลออฟไลน์ คุณสามารถใช้เอ็นจิ้นการสืบค้น เช่น Athena กับที่เก็บข้อมูลออฟไลน์ใน Amazon S3 เพื่อแยกชุดข้อมูลการฝึกหรือวิเคราะห์ข้อมูลคุณสมบัติ และคุณสามารถเข้าร่วมกลุ่มคุณสมบัติมากกว่าหนึ่งกลุ่มในการสืบค้นเดียว Feature Store จะสร้าง .โดยอัตโนมัติ AWS กาว แค็ตตาล็อกข้อมูลสำหรับกลุ่มคุณลักษณะระหว่างการสร้างกลุ่มคุณลักษณะ ซึ่งช่วยให้คุณใช้แค็ตตาล็อกนี้เพื่อเข้าถึงและสอบถามข้อมูลจากร้านค้าออฟไลน์โดยใช้ Athena หรือเครื่องมือโอเพนซอร์สเช่น โอมเพี้ยง.
ลงทะเบียนร้านค้าฟีเจอร์ออฟไลน์ใน Lake Formation
ในการเริ่มต้นใช้สิทธิ์ Lake Formation กับฐานข้อมูลและตาราง Feature Store ที่มีอยู่ของคุณ คุณต้องเพิกถอนการอนุญาตขั้นสูงจาก IAMAllowedPrincipals
กลุ่มบนฐานข้อมูลและตารางกลุ่มคุณลักษณะที่เกี่ยวข้องใน Lake Formation
- เข้าสู่ระบบเพื่อ คอนโซลการจัดการ AWS เป็นผู้ดูแลการก่อตัวของทะเลสาบ
- ในบานหน้าต่างนำทาง ภายใต้ แค็ตตาล็อกข้อมูลเลือก ฐานข้อมูล.
- เลือกฐานข้อมูล
sagemaker_featurestore
ซึ่งเป็นฐานข้อมูลที่เชื่อมโยงกับที่เก็บคุณลักษณะออฟไลน์
เนื่องจาก Feature Store จะสร้าง AWS Glue Data Catalog โดยอัตโนมัติเมื่อคุณสร้างกลุ่มคุณสมบัติ ที่เก็บคุณสมบัติออฟไลน์จึงมองเห็นเป็นฐานข้อมูลใน Lake Formation
- เกี่ยวกับ สถานะ เมนูให้เลือก Edit.
- เกี่ยวกับ แก้ไขฐานข้อมูล ถ้าคุณต้องการให้สิทธิ์ Lake Formation ทำงานสำหรับกลุ่มคุณลักษณะที่สร้างขึ้นใหม่ด้วยและไม่ต้องเพิกถอน
IAMAllowedPrincipals
สำหรับแต่ละตาราง ให้ยกเลิกการเลือก ใช้เฉพาะการควบคุมการเข้าถึง IAM สำหรับตารางใหม่ในฐานข้อมูลนี้แล้วเลือก ลด. - เกี่ยวกับ ฐานข้อมูล หน้าให้เลือก
sagemaker_featurestore
ฐานข้อมูล - เกี่ยวกับ สถานะ เมนูให้เลือก ดูสิทธิ์.
- เลือก
IAMAllowedPrincipals
จัดกลุ่มแล้วเลือก ถอน.
ในทำนองเดียวกัน คุณต้องทำตามขั้นตอนเหล่านี้สำหรับตารางกลุ่มคุณลักษณะทั้งหมดที่เชื่อมโยงกับที่เก็บคุณลักษณะออฟไลน์ของคุณ
- ในบานหน้าต่างนำทาง ภายใต้ แค็ตตาล็อกข้อมูลเลือก ตาราง.
- เลือกตารางที่มีชื่อกลุ่มคุณลักษณะของคุณ
- เกี่ยวกับ สถานะ เมนูให้เลือก ดูสิทธิ์.
- เลือก
IAMAllowedPrincipals
จัดกลุ่มแล้วเลือก ถอน.
หากต้องการเปลี่ยนที่จัดเก็บคุณสมบัติออฟไลน์เป็นโมเดลการอนุญาต Lake Formation คุณต้องเปิดการอนุญาต Lake Formation สำหรับตำแหน่ง Amazon S3 ของที่เก็บฟีเจอร์ออฟไลน์ สำหรับสิ่งนี้ คุณต้องลงทะเบียนตำแหน่ง Amazon S3
- ในบานหน้าต่างนำทาง ภายใต้ ลงทะเบียนและนำเข้าเลือก ที่ตั้งของ Data Lake.
- Choose ลงทะเบียนสถานที่.
- เลือกตำแหน่งของที่เก็บฟีเจอร์ออฟไลน์ใน Amazon S3 สำหรับ เส้นทาง Amazon S3.
สถานที่คือ S3Uri
ที่มีให้ในการกำหนดค่าร้านค้าออฟไลน์ของกลุ่มคุณลักษณะและสามารถพบได้ใน DescribeFeatureGroup
APIs ResolvedOutputS3Uri
สนาม
การก่อตัวของทะเลสาบบูรณาการกับ บริการจัดการคีย์ AWS (AWS KMS); วิธีการนี้ยังใช้ได้กับตำแหน่ง Amazon S3 ที่ได้รับการเข้ารหัสด้วยคีย์ที่มีการจัดการของ AWS หรือด้วยแนวทางที่แนะนำของคีย์ที่จัดการโดยลูกค้า อ่านรายละเอียดเพิ่มเติมได้ที่ การลงทะเบียนตำแหน่ง Amazon S3 ที่เข้ารหัส.
สร้างตัวกรองข้อมูล Lake Formation สำหรับการควบคุมการเข้าถึงแบบละเอียด
คุณสามารถใช้การรักษาความปลอดภัยระดับแถวและระดับเซลล์โดยการสร้าง ตัวกรองข้อมูล. คุณเลือกตัวกรองข้อมูลเมื่อคุณให้สิทธิ์ SELECT Lake Formation บนตาราง ในกรณีนี้ เราใช้ความสามารถนี้เพื่อใช้ชุดตัวกรองที่จำกัดการเข้าถึงกลุ่มคุณลักษณะและคุณลักษณะเฉพาะภายในกลุ่มคุณลักษณะ
ลองใช้รูปต่อไปนี้เพื่ออธิบายวิธีการทำงานของตัวกรองข้อมูล รูปแสดงกลุ่มคุณลักษณะสองกลุ่ม: customers
และ orders
. ตัวกรองข้อมูลระดับแถวถูกนำไปใช้กับ customers
กลุ่มคุณลักษณะส่งผลให้มีเพียงบันทึกว่า feature1 = ‘12’
กำลังถูกส่งกลับ ในทำนองเดียวกัน การเข้าถึงกลุ่มคุณลักษณะคำสั่งซื้อจะถูกจำกัดโดยใช้ตัวกรองข้อมูลระดับเซลล์เพื่อบันทึกคุณลักษณะเฉพาะที่ที่ feature2 = ‘22
' รวมถึงการยกเว้นคุณลักษณะ 1 ออกจากชุดข้อมูลที่เป็นผลลัพธ์
ในการสร้างตัวกรองข้อมูลใหม่ในบานหน้าต่างนำทางบนคอนโซล Lake Formation ภายใต้ แค็ตตาล็อกข้อมูลเลือก ตัวกรองข้อมูล แล้วเลือก สร้างตัวกรองใหม่.
เมื่อคุณเลือก เข้าถึงทุกคอลัมน์ และระบุนิพจน์ตัวกรองแถว คุณกำลังสร้างการรักษาความปลอดภัยระดับแถว (การกรองแถว) เท่านั้น ในตัวอย่างนี้ เราสร้างตัวกรองที่จำกัดการเข้าถึงนักวิทยาศาสตร์ข้อมูลให้บันทึกเฉพาะใน orders
กลุ่มคุณลักษณะตามมูลค่าของคุณลักษณะ customer_id ='C7782'
.
เมื่อคุณรวมหรือแยกคอลัมน์เฉพาะและระบุนิพจน์ตัวกรองแถวด้วย คุณกำลังสร้างความปลอดภัยระดับเซลล์ (การกรองเซลล์) ในตัวอย่างนี้ เราสร้างตัวกรองที่จำกัดการเข้าถึงนักวิทยาศาสตร์ข้อมูลสำหรับคุณลักษณะบางอย่างของกลุ่มคุณลักษณะ (เราไม่รวม sex
และ is_married
) และชุดย่อยของบันทึกใน customers
กลุ่มคุณลักษณะตามมูลค่าของคุณลักษณะ (customer_id ='C3126'
).
ภาพหน้าจอต่อไปนี้แสดงตัวกรองข้อมูลที่สร้างขึ้น
ให้สิทธิ์กลุ่มคุณลักษณะ (ตาราง) และคุณลักษณะ (คอลัมน์)
ในส่วนนี้ คุณให้สิทธิ์การควบคุมการเข้าถึงแบบละเอียดและสิทธิ์ที่กำหนดไว้ใน Lake Formation แก่ผู้ใช้ SageMaker โดยกำหนดตัวกรองข้อมูลให้กับบทบาทการดำเนินการ SageMaker ที่เชื่อมโยงกับผู้ใช้ที่สร้างกลุ่มคุณลักษณะในตอนแรก บทบาทการดำเนินการ SageMaker ถูกสร้างขึ้นโดยเป็นส่วนหนึ่งของ การตั้งค่าโดเมน SageMaker Studio และตามค่าเริ่มต้นจะเริ่มต้นด้วย AmazonSageMaker-ExecutionRole-*
. คุณต้องให้สิทธิ์บทบาทนี้กับ Lake Formation API (GetDataAccess
, StartQueryPlanning
, GetQueryState
, GetWorkUnits
และ GetWorkUnitResults
) และ AWS Glue API (GetTables
และ GetDatabases
) ใน IAM เพื่อให้สามารถเข้าถึงข้อมูลได้
สร้างนโยบายต่อไปนี้ใน IAM ตั้งชื่อนโยบาย LakeFormationDataAccess
และแนบไปกับบทบาทการดำเนินการของ SageMaker คุณต้องแนบ .ด้วย AmazonAthenaFullAccess
นโยบายการเข้าถึงอาเธน่า
ถัดไป คุณต้องให้สิทธิ์การเข้าถึงฐานข้อมูลที่เก็บคุณลักษณะและตารางกลุ่มคุณลักษณะเฉพาะแก่บทบาทการดำเนินการ SageMaker และกำหนดตัวกรองข้อมูลตัวใดตัวหนึ่งที่สร้างไว้ก่อนหน้านี้ ในการอนุญาตข้อมูลภายใน Lake Formation ในบานหน้าต่างนำทางภายใต้ สิทธิ์เลือก สิทธิ์ Data Lakeแล้วเลือก ให้. ภาพหน้าจอต่อไปนี้สาธิตวิธีการให้สิทธิ์ด้วยตัวกรองข้อมูลสำหรับการเข้าถึงระดับแถวของบทบาทการดำเนินการ SageMaker
ในทำนองเดียวกัน คุณสามารถให้สิทธิ์กับตัวกรองข้อมูลที่สร้างขึ้นสำหรับการเข้าถึงระดับเซลล์สำหรับบทบาทการดำเนินการ SageMaker
ทดสอบการเข้าถึงร้านค้าคุณสมบัติ
ในส่วนนี้ คุณจะตรวจสอบความถูกต้องของการควบคุมการเข้าถึงที่ตั้งค่าใน Lake Formation โดยใช้โน้ตบุ๊ก Studio การใช้งานนี้ใช้ ที่เก็บฟีเจอร์ Python SDK และ Athena เพื่อสืบค้นข้อมูลจากร้านค้าคุณสมบัติออฟไลน์ที่ลงทะเบียนใน Lake Formation
ขั้นแรก คุณทดสอบการเข้าถึงระดับแถวโดยสร้างแบบสอบถาม Athena สำหรับกลุ่มคุณลักษณะของคุณ orders
ด้วยรหัสต่อไปนี้ ดิ table_name
คือตาราง AWS Glue ที่สร้างขึ้นโดยอัตโนมัติโดย Feature Store
คุณสอบถามระเบียนทั้งหมดจากคำสั่งซื้อโดยใช้สตริงการสืบค้นต่อไปนี้:
บันทึกเฉพาะกับ customer_id = ‘C7782’
จะถูกส่งคืนตามตัวกรองข้อมูลที่สร้างขึ้นใน Lake Formation
ประการที่สอง คุณทดสอบการเข้าถึงระดับเซลล์โดยสร้างแบบสอบถาม Athena สำหรับกลุ่มคุณลักษณะของคุณ customers
ด้วยรหัสต่อไปนี้ ดิ table_name
คือตาราง AWS Glue ที่สร้างขึ้นโดยอัตโนมัติโดย Feature Store
คุณสอบถามระเบียนทั้งหมดจากคำสั่งซื้อโดยใช้สตริงการสืบค้นต่อไปนี้:
บันทึกเฉพาะกับ customer_id ='C3126'
จะถูกส่งคืนตามตัวกรองข้อมูลที่สร้างขึ้นใน Lake Formation นอกจากนี้คุณสมบัติ sex
และ is_married
ไม่สามารถมองเห็นได้
ด้วยวิธีการนี้ คุณสามารถใช้การควบคุมการเข้าถึงการอนุญาตแบบละเอียดกับที่เก็บคุณลักษณะออฟไลน์ได้ ด้วยรูปแบบการอนุญาต Lake Formation คุณสามารถจำกัดการเข้าถึงเฉพาะกลุ่มคุณลักษณะบางกลุ่มหรือคุณลักษณะเฉพาะภายในกลุ่มคุณลักษณะสำหรับบุคคลตามบทบาทของพวกเขาในองค์กร
หากต้องการสำรวจตัวอย่างโค้ดทั้งหมด และทดลองใช้ในบัญชีของคุณเอง โปรดดูที่ repo GitHub.
สรุป
SageMaker Feature Store มอบโซลูชันการจัดการฟีเจอร์ที่สร้างขึ้นตามวัตถุประสงค์ เพื่อช่วยให้องค์กรปรับขนาดการพัฒนา ML ในหน่วยธุรกิจและทีมวิทยาศาสตร์ข้อมูล ในโพสต์นี้ เราได้อธิบายวิธีที่คุณสามารถใช้ Lake Formation เพื่อใช้การควบคุมการเข้าถึงแบบละเอียดสำหรับที่เก็บฟีเจอร์ออฟไลน์ของคุณ ลองดูและแจ้งให้เราทราบว่าคุณคิดอย่างไรในความคิดเห็น
เกี่ยวกับผู้เขียน
อาร์นาฟ ลอเออร์ เป็น Senior Partner Solutions Architect ในทีมภาครัฐที่ AWS เขาช่วยให้คู่ค้าและลูกค้าเข้าใจวิธีที่ดีที่สุดในการใช้เทคโนโลยีของ AWS เพื่อแปลความต้องการทางธุรกิจเป็นโซลูชัน เขานำประสบการณ์มากกว่า 16 ปีในการส่งมอบและออกแบบโครงการการเปลี่ยนแปลงทางดิจิทัลในอุตสาหกรรมต่างๆ รวมถึงภาครัฐ พลังงาน และสินค้าอุปโภคบริโภค ปัญญาประดิษฐ์และแมชชีนเลิร์นนิงเป็นสิ่งที่เขาสนใจ Arnaud มีใบรับรอง AWS 12 ฉบับ รวมถึง ML Specialty Certification
ไอโออัน คาทาน่า เป็นสถาปนิกโซลูชันด้านปัญญาประดิษฐ์และการเรียนรู้ของเครื่องที่ AWS เขาช่วยลูกค้าพัฒนาและปรับขนาดโซลูชัน ML ของตนใน AWS Cloud Ioan มีประสบการณ์มากกว่า 20 ปี ส่วนใหญ่ในด้านการออกแบบสถาปัตยกรรมซอฟต์แวร์และวิศวกรรมระบบคลาวด์
สวากัต กุลกรนี เป็นสถาปนิกโซลูชันอาวุโสที่ AWS และผู้ที่ชื่นชอบ AI/ML เขาหลงใหลในการแก้ปัญหาในโลกแห่งความเป็นจริงให้กับลูกค้าด้วยบริการคลาวด์เนทีฟและแมชชีนเลิร์นนิง Swagat มีประสบการณ์มากกว่า 15 ปีในการนำเสนอความคิดริเริ่มการเปลี่ยนแปลงทางดิจิทัลหลายอย่างสำหรับลูกค้าในหลายโดเมน รวมถึงการค้าปลีก การเดินทางและการบริการ และการดูแลสุขภาพ นอกที่ทำงาน Swagat สนุกกับการท่องเที่ยว อ่านหนังสือ และนั่งสมาธิ
จารุ สารีน เป็น Sr. Product Manager ของ Amazon SageMaker Feature Store ก่อนร่วมงานกับ AWS เธอเป็นผู้นำด้านกลยุทธ์การเติบโตและการสร้างรายได้สำหรับบริการ SaaS ที่ VMware เธอเป็นคนที่กระตือรือร้นด้านข้อมูลและแมชชีนเลิร์นนิง และมีประสบการณ์มากกว่าทศวรรษในด้านการจัดการผลิตภัณฑ์ วิศวกรรมข้อมูล และการวิเคราะห์ขั้นสูง เธอสำเร็จการศึกษาระดับปริญญาตรีด้านเทคโนโลยีสารสนเทศจากสถาบันเทคโนโลยีแห่งชาติ ประเทศอินเดีย และปริญญาโทบริหารธุรกิจจากมหาวิทยาลัยมิชิแกน Ross School of Business
- '
- "
- 100
- 9
- เกี่ยวกับเรา
- เข้า
- ลงชื่อเข้าใช้
- ข้าม
- การกระทำ
- นอกจากนี้
- เพิ่มเติม
- ผู้ดูแลระบบ
- สูง
- ทั้งหมด
- การอนุญาต
- แม้ว่า
- อเมซอน
- การวิเคราะห์
- APIs
- เหมาะสม
- เข้าใกล้
- สถาปัตยกรรม
- เทียม
- ปัญญาประดิษฐ์
- ปัญญาประดิษฐ์และการเรียนรู้ด้วยเครื่อง
- การตรวจสอบบัญชี
- AWS
- พื้นหลัง
- กำลัง
- ที่ดีที่สุด
- ชายแดน
- สร้าง
- สร้าง
- ธุรกิจ
- ความสามารถในการ
- กรณี
- ส่วนกลาง
- ใบรับรอง มาตราฐาน
- Choose
- เมฆ
- รหัส
- ความคิดเห็น
- การปฏิบัติตาม
- องค์ประกอบ
- ปลอบใจ
- ผู้บริโภค
- ควบคุม
- ที่สร้างขึ้น
- สร้าง
- การสร้าง
- การสร้าง
- เครดิต
- บัตรเครดิต
- ลูกค้า
- ข้อมูล
- วิทยาศาสตร์ข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- ฐานข้อมูล
- ฐานข้อมูล
- ทศวรรษ
- การส่งมอบ
- ปรับใช้
- ออกแบบ
- พัฒนา
- พัฒนาการ
- ต่าง
- ดิจิตอล
- แปลงดิจิตอล
- โดเมน
- โดเมน
- ผล
- พลังงาน
- ชั้นเยี่ยม
- สิ่งแวดล้อม
- สร้าง
- ตัวอย่าง
- การปฏิบัติ
- ประสบการณ์
- การสำรวจ
- สำรวจ
- ลักษณะ
- คุณสมบัติ
- รูป
- ฟิลเตอร์
- โฟกัส
- ดังต่อไปนี้
- พบ
- ต่อไป
- เป้าหมาย
- สินค้า
- การกำกับดูแล
- บัญชีกลุ่ม
- การเจริญเติบโต
- การดูแลสุขภาพ
- ช่วย
- จะช่วยให้
- จุดสูง
- ถือ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTTPS
- ระบุ
- เอกลักษณ์
- การดำเนินการ
- การดำเนินงาน
- สำคัญ
- ประกอบด้วย
- รวมทั้ง
- อินเดีย
- เป็นรายบุคคล
- อุตสาหกรรม
- ข้อมูล
- เทคโนโลยีสารสนเทศ
- Intelligence
- IT
- ร่วม
- คีย์
- ชั้นนำ
- การเรียนรู้
- ชั้น
- ห้องสมุด
- รายการ
- ที่ตั้ง
- วันหยุด
- เครื่อง
- เรียนรู้เครื่อง
- การจัดการ
- การจัดการ
- โซลูชั่นการจัดการ
- ผู้จัดการ
- หน้ากาก
- มิชิแกน
- ML
- แบบ
- โมเดล
- ข้อมูลเพิ่มเติม
- หลาย
- แห่งชาติ
- การเดินเรือ
- สมุดบันทึก
- ตัวเลข
- ออฟไลน์
- ออนไลน์
- ใบสั่ง
- คำสั่งซื้อ
- organizacja
- องค์กร
- ของตนเอง
- หุ้นส่วน
- พาร์ทเนอร์
- หลงใหล
- นโยบาย
- นโยบาย
- การคาดการณ์
- ปัญหาที่เกิดขึ้น
- ผลิตภัณฑ์
- การจัดการผลิตภัณฑ์
- ผลิตภัณฑ์
- โครงการ
- ป้องกัน
- ให้
- ให้
- สาธารณะ
- ซื้อ
- อย่างรวดเร็ว
- พิสัย
- การอ่าน
- เรียลไทม์
- บันทึก
- ทะเบียน
- ลงทะเบียน
- กรุ
- จำเป็นต้องใช้
- ทรัพยากร
- REST
- ค้าปลีก
- ขาย
- ขนาด
- โรงเรียน
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- ภาค
- ปลอดภัย
- ความปลอดภัย
- บริการ
- บริการ
- ชุด
- การตั้งค่า
- ที่ใช้ร่วมกัน
- เหมือนกับ
- ง่าย
- ซอฟต์แวร์
- ทางออก
- โซลูชัน
- บาง
- เฉพาะ
- เริ่มต้น
- เริ่มต้น
- คำแถลง
- การเก็บรักษา
- จัดเก็บ
- ร้านค้า
- กลยุทธ์
- สตูดิโอ
- รองรับ
- สวิตซ์
- ทีม
- เทคโนโลยี
- เทคโนโลยี
- ทดสอบ
- ตลอด
- เครื่องมือ
- การฝึกอบรม
- การแปลง
- การเดินทาง
- เข้าใจ
- มหาวิทยาลัย
- us
- ใช้
- ผู้ใช้
- ความคุ้มค่า
- มองเห็นได้
- VMware
- อะไร
- WHO
- ภายใน
- งาน
- การทำงาน
- โรงงาน
- ปี