ลูกค้าทุกขนาดและทุกอุตสาหกรรมกำลังสร้างนวัตกรรมบน AWS โดยการผสมผสานการเรียนรู้ของเครื่อง (ML) เข้ากับผลิตภัณฑ์และบริการของตน การพัฒนาล่าสุดในโมเดล AI ทั่วไปได้เร่งความต้องการการนำ ML มาใช้ในอุตสาหกรรมต่างๆ อย่างไรก็ตาม การใช้การรักษาความปลอดภัย ความเป็นส่วนตัวของข้อมูล และการควบคุมการกำกับดูแลยังคงเป็นความท้าทายสำคัญที่ลูกค้าต้องเผชิญเมื่อใช้ปริมาณงาน ML ในวงกว้าง การจัดการกับความท้าทายเหล่านั้นจะสร้างกรอบการทำงานและรากฐานสำหรับการลดความเสี่ยงและการใช้ผลิตภัณฑ์ที่ขับเคลื่อนด้วย ML อย่างมีความรับผิดชอบ แม้ว่า Generative AI อาจจำเป็นต้องมีการควบคุมเพิ่มเติม เช่น การขจัดความเป็นพิษและการป้องกันการเจลเบรกและอาการประสาทหลอน แต่ก็มีองค์ประกอบพื้นฐานด้านความปลอดภัยและการกำกับดูแลเช่นเดียวกับ ML แบบดั้งเดิม
เราได้ยินจากลูกค้าว่าพวกเขาต้องการความรู้เฉพาะทางและการลงทุนนานถึง 12 เดือนเพื่อสร้างสิ่งที่กำหนดเอง อเมซอน SageMaker การใช้แพลตฟอร์ม ML เพื่อรับรองสภาพแวดล้อม ML ที่ปรับขนาดได้ เชื่อถือได้ ปลอดภัย และอยู่ภายใต้การควบคุมสำหรับสายธุรกิจ (LOB) หรือทีม ML หากคุณขาดเฟรมเวิร์กสำหรับการควบคุมวงจรการใช้งาน ML ในระดับใหญ่ คุณอาจพบกับความท้าทาย เช่น การแยกทรัพยากรระดับทีม การปรับขนาดทรัพยากรการทดลอง การดำเนินการเวิร์กโฟลว์ ML การปรับขนาดการกำกับดูแลโมเดล และการจัดการความปลอดภัยและการปฏิบัติตามข้อกำหนดของปริมาณงาน ML
การควบคุมวงจรการใช้งาน ML ในวงกว้างเป็นเฟรมเวิร์กที่ช่วยคุณสร้างแพลตฟอร์ม ML พร้อมความปลอดภัยแบบฝังและการควบคุมการกำกับดูแลตามแนวทางปฏิบัติที่ดีที่สุดในอุตสาหกรรมและมาตรฐานองค์กร กรอบการทำงานนี้จัดการกับความท้าทายด้วยการให้คำแนะนำเชิงกำหนดผ่านแนวทางกรอบการทำงานแบบโมดูลาร์ที่ขยายขอบเขต หอควบคุม AWS สภาพแวดล้อม AWS แบบหลายบัญชีและแนวทางที่กล่าวถึงในโพสต์ การตั้งค่าสภาพแวดล้อมแมชชีนเลิร์นนิงที่ปลอดภัยและได้รับการควบคุมอย่างดีบน AWS.
โดยให้คำแนะนำที่กำหนดไว้สำหรับฟังก์ชันแพลตฟอร์ม ML ต่อไปนี้:
- รากฐานหลายบัญชี ความปลอดภัย และเครือข่าย – ฟังก์ชั่นนี้ใช้ AWS Control Tower และ หลักการที่ออกแบบมาอย่างดี สำหรับการตั้งค่าและการดำเนินงานสภาพแวดล้อม ความปลอดภัย และบริการเครือข่ายแบบหลายบัญชี
- รากฐานข้อมูลและการกำกับดูแล – ฟังก์ชั่นนี้ใช้ สถาปัตยกรรมดาต้าเมช สำหรับการตั้งค่าและดำเนินการ Data Lake, ที่จัดเก็บคุณลักษณะส่วนกลาง และพื้นฐานการกำกับดูแลข้อมูลเพื่อให้สามารถเข้าถึงข้อมูลแบบละเอียดได้
- บริการแชร์แพลตฟอร์ม ML และการกำกับดูแล – ฟังก์ชันนี้ช่วยให้สามารถตั้งค่าและใช้งานบริการทั่วไป เช่น CI/CD แคตตาล็อกบริการของ AWS สำหรับการจัดเตรียมสภาพแวดล้อม และการลงทะเบียนโมเดลส่วนกลางสำหรับการเลื่อนระดับโมเดลและสายเลือด
- สภาพแวดล้อมของทีม ML – ฟังก์ชันนี้ช่วยให้การตั้งค่าและสภาพแวดล้อมการทำงานสำหรับทีม ML สำหรับการพัฒนาโมเดล การทดสอบ และการปรับใช้กรณีการใช้งานสำหรับการฝังการควบคุมความปลอดภัยและการกำกับดูแล
- ความสามารถในการสังเกตแพลตฟอร์ม ML – ฟังก์ชันนี้ช่วยในการแก้ไขปัญหาและระบุสาเหตุของปัญหาในโมเดล ML ผ่านการรวมศูนย์ของบันทึก และจัดเตรียมเครื่องมือสำหรับการแสดงภาพการวิเคราะห์บันทึก นอกจากนี้ยังให้คำแนะนำในการสร้างรายงานต้นทุนและการใช้งานสำหรับกรณีการใช้งาน ML
แม้ว่าเฟรมเวิร์กนี้สามารถให้ประโยชน์แก่ลูกค้าทุกคนได้ แต่จะเป็นประโยชน์มากที่สุดสำหรับลูกค้าองค์กรขนาดใหญ่ เติบโต มีการควบคุม หรือระดับโลกที่ต้องการปรับขนาดกลยุทธ์ ML ของตนในแนวทางที่ได้รับการควบคุม ปฏิบัติตามข้อกำหนด และประสานงานทั่วทั้งองค์กร ช่วยให้สามารถนำ ML มาใช้ไปพร้อมๆ กับการลดความเสี่ยง กรอบการทำงานนี้มีประโยชน์สำหรับลูกค้าต่อไปนี้:
- ลูกค้าองค์กรขนาดใหญ่ที่มี LOB หรือแผนกต่างๆ จำนวนมากสนใจใช้งาน ML เฟรมเวิร์กนี้ช่วยให้ทีมที่แตกต่างกันสามารถสร้างและปรับใช้โมเดล ML ได้อย่างอิสระในขณะที่ให้การกำกับดูแลจากส่วนกลาง
- ลูกค้าองค์กรที่มีวุฒิภาวะปานกลางถึงสูงใน ML พวกเขาได้ปรับใช้โมเดล ML เริ่มต้นบางรุ่นแล้ว และกำลังมองหาการปรับขนาดความพยายามใน ML กรอบการทำงานนี้สามารถช่วยเร่งการนำ ML มาใช้ทั่วทั้งองค์กร บริษัทเหล่านี้ยังตระหนักถึงความจำเป็นในการกำกับดูแลเพื่อจัดการสิ่งต่างๆ เช่น การควบคุมการเข้าถึง การใช้ข้อมูล ประสิทธิภาพของโมเดล และอคติที่ไม่ยุติธรรม
- บริษัทในอุตสาหกรรมที่มีการควบคุม เช่น บริการทางการเงิน การดูแลสุขภาพ เคมี และภาคเอกชน บริษัทเหล่านี้ต้องการการกำกับดูแลที่แข็งแกร่งและความสามารถในการตรวจสอบสำหรับโมเดล ML ใดๆ ที่ใช้ในกระบวนการทางธุรกิจของตน การใช้กรอบการทำงานนี้สามารถช่วยอำนวยความสะดวกในการปฏิบัติตามกฎระเบียบ ในขณะเดียวกันก็ช่วยให้มีการพัฒนาแบบจำลองในท้องถิ่นได้
- องค์กรระดับโลกที่ต้องการสร้างสมดุลระหว่างการควบคุมแบบรวมศูนย์และระดับท้องถิ่น แนวทางแบบรวมศูนย์ของเฟรมเวิร์กนี้ช่วยให้ทีมวิศวกรรมแพลตฟอร์มกลางสามารถกำหนดนโยบายและมาตรฐานระดับสูงได้ แต่ยังช่วยให้ทีม LOB มีความยืดหยุ่นในการปรับตัวตามความต้องการในท้องถิ่น
ในส่วนแรกของซีรีส์นี้ เราจะอธิบายสถาปัตยกรรมอ้างอิงสำหรับการตั้งค่าแพลตฟอร์ม ML ในโพสต์ถัดไป เราจะให้คำแนะนำที่กำหนดไว้สำหรับวิธีใช้งานโมดูลต่างๆ ในสถาปัตยกรรมอ้างอิงในองค์กรของคุณ
ความสามารถของแพลตฟอร์ม ML ถูกแบ่งออกเป็นสี่ประเภท ดังแสดงในรูปต่อไปนี้ ความสามารถเหล่านี้เป็นรากฐานของสถาปัตยกรรมอ้างอิงที่จะกล่าวถึงในโพสต์นี้ในภายหลัง:
- สร้างรากฐาน ML
- ปรับขนาดการดำเนินการ ML
- ML ที่สังเกตได้
- ML ที่ปลอดภัย
ภาพรวมโซลูชัน
กรอบงานสำหรับการควบคุมวงจรการใช้งาน ML ในระดับใหญ่ช่วยให้องค์กรฝังการควบคุมความปลอดภัยและการกำกับดูแลตลอดวงจรการใช้งาน ML ซึ่งจะช่วยให้องค์กรลดความเสี่ยงและเร่งการรวม ML เข้ากับผลิตภัณฑ์และบริการของตน เฟรมเวิร์กช่วยปรับการตั้งค่าและการกำกับดูแลสภาพแวดล้อม ML ที่ปลอดภัย ปรับขนาดได้ และเชื่อถือได้ให้เหมาะสม ซึ่งสามารถปรับขนาดเพื่อรองรับโมเดลและโปรเจ็กต์จำนวนมากขึ้นได้ กรอบงานเปิดใช้งานคุณลักษณะต่อไปนี้:
- การจัดเตรียมบัญชีและโครงสร้างพื้นฐานด้วยทรัพยากรโครงสร้างพื้นฐานที่สอดคล้องกับนโยบายองค์กร
- การปรับใช้สภาพแวดล้อมวิทยาศาสตร์ข้อมูลแบบบริการตนเองและเทมเพลตการดำเนินการ ML แบบ end-to-end (MLOps) สำหรับกรณีการใช้งาน ML
- การแยกทรัพยากรระดับ LOB หรือระดับทีมเพื่อความปลอดภัยและความเป็นส่วนตัว
- ควบคุมการเข้าถึงข้อมูลระดับการผลิตสำหรับการทดลองและเวิร์กโฟลว์ที่พร้อมสำหรับการผลิต
- การจัดการและการกำกับดูแลสำหรับที่เก็บโค้ด ไปป์ไลน์โค้ด โมเดลที่ใช้งาน และฟีเจอร์ข้อมูล
- การลงทะเบียนโมเดลและที่เก็บคุณลักษณะ (ส่วนประกอบภายในและส่วนกลาง) สำหรับการปรับปรุงการกำกับดูแล
- การควบคุมความปลอดภัยและการกำกับดูแลสำหรับการพัฒนาโมเดลและกระบวนการปรับใช้แบบ end-to-end
ในส่วนนี้ เราจะให้ภาพรวมของคำแนะนำเชิงกำหนดเพื่อช่วยคุณสร้างแพลตฟอร์ม ML นี้บน AWS พร้อมด้วยการควบคุมการรักษาความปลอดภัยและการกำกับดูแลแบบฝัง
สถาปัตยกรรมการทำงานที่เกี่ยวข้องกับแพลตฟอร์ม ML แสดงในแผนภาพต่อไปนี้ สถาปัตยกรรมจะจับคู่ความสามารถที่แตกต่างกันของแพลตฟอร์ม ML กับบัญชี AWS
สถาปัตยกรรมการทำงานที่มีความสามารถแตกต่างกันถูกนำไปใช้งานโดยใช้บริการของ AWS หลายอย่าง ซึ่งรวมถึง องค์กร AWS, SageMaker, บริการ AWS DevOps และ Data Lake สถาปัตยกรรมอ้างอิงสำหรับแพลตฟอร์ม ML พร้อมบริการต่างๆ ของ AWS แสดงในแผนภาพต่อไปนี้
เฟรมเวิร์กนี้จะพิจารณาบุคคลและบริการที่หลากหลายเพื่อควบคุมวงจรการใช้งาน ML ในวงกว้าง เราขอแนะนำขั้นตอนต่อไปนี้เพื่อจัดระเบียบทีมและบริการของคุณ:
- การใช้ AWS Control Tower และเครื่องมืออัตโนมัติ ผู้ดูแลระบบคลาวด์ของคุณจะตั้งค่าพื้นฐานหลายบัญชี เช่น องค์กรและ ศูนย์ข้อมูลประจำตัว AWS IAM (ทายาทจาก AWS Single Sign-On) และบริการรักษาความปลอดภัยและการกำกับดูแล เช่น บริการจัดการคีย์ AWS (AWS KMS) และแค็ตตาล็อกบริการ นอกจากนี้ ผู้ดูแลระบบยังตั้งค่าหน่วยองค์กร (OU) และบัญชีเริ่มต้นที่หลากหลายเพื่อรองรับเวิร์กโฟลว์ ML และการวิเคราะห์ของคุณ
- ผู้ดูแลระบบ Data Lake จะตั้งค่า Data Lake และแค็ตตาล็อกข้อมูลของคุณ และตั้งค่าที่เก็บคุณลักษณะส่วนกลางที่ทำงานร่วมกับผู้ดูแลระบบแพลตฟอร์ม ML
- ผู้ดูแลระบบแพลตฟอร์ม ML จัดเตรียมบริการที่ใช้ร่วมกันของ ML เช่น AWS CodeCommit, AWS CodePipeline, การลงทะเบียน Amazon Elastic Container (Amazon ECR) การลงทะเบียนโมเดลส่วนกลาง การ์ดโมเดล SageMaker, แดชบอร์ดโมเดล SageMakerและผลิตภัณฑ์แคตตาล็อกบริการสำหรับทีม ML
- ทีม ML เป็นผู้นำสหพันธรัฐผ่าน IAM Identity Center ใช้ผลิตภัณฑ์ Service Catalog และจัดเตรียมทรัพยากรในสภาพแวดล้อมการพัฒนาของทีม ML
- นักวิทยาศาสตร์ข้อมูลจากทีม ML ในหน่วยธุรกิจต่างๆ รวมเข้ากับสภาพแวดล้อมการพัฒนาของทีมเพื่อสร้างไปป์ไลน์แบบจำลอง
- นักวิทยาศาสตร์ข้อมูลค้นหาและดึงฟีเจอร์จากแค็ตตาล็อกร้านค้าฟีเจอร์ส่วนกลาง สร้างแบบจำลองผ่านการทดลอง และเลือกโมเดลที่ดีที่สุดสำหรับการโปรโมต
- นักวิทยาศาสตร์ข้อมูลสร้างและแบ่งปันคุณสมบัติใหม่ลงในแค็ตตาล็อกร้านค้าคุณสมบัติส่วนกลางเพื่อนำมาใช้ซ้ำ
- วิศวกร ML ปรับใช้ไปป์ไลน์โมเดลในสภาพแวดล้อมการทดสอบของทีม ML โดยใช้กระบวนการ CI/CD ของบริการที่ใช้ร่วมกัน
- หลังจากการตรวจสอบความถูกต้องของผู้มีส่วนได้ส่วนเสีย โมเดล ML จะถูกปรับใช้กับสภาพแวดล้อมการใช้งานจริงของทีม
- การควบคุมความปลอดภัยและการกำกับดูแลถูกฝังอยู่ในทุกชั้นของสถาปัตยกรรมนี้โดยใช้บริการต่างๆ เช่น ศูนย์กลางความปลอดภัยของ AWS, หน้าที่ยามของอเมซอน, อเมซอน แม็กกี้และอื่น ๆ
- การควบคุมความปลอดภัยได้รับการจัดการจากส่วนกลางจากบัญชีเครื่องมือรักษาความปลอดภัยโดยใช้ Security Hub
- ความสามารถในการกำกับดูแลแพลตฟอร์ม ML เช่น SageMaker Model Cards และ SageMaker Model Dashboard ได้รับการจัดการจากส่วนกลางจากบัญชีบริการกำกับดูแล
- อเมซอน คลาวด์วอตช์ และ AWS CloudTrail บันทึกจากบัญชีสมาชิกแต่ละบัญชีสามารถเข้าถึงได้จากส่วนกลางจากบัญชีที่สามารถสังเกตได้โดยใช้บริการเนทิฟของ AWS
ต่อไป เราจะเจาะลึกโมดูลของสถาปัตยกรรมอ้างอิงสำหรับเฟรมเวิร์กนี้
โมดูลสถาปัตยกรรมอ้างอิง
สถาปัตยกรรมอ้างอิงประกอบด้วยแปดโมดูล แต่ละโมดูลได้รับการออกแบบมาเพื่อแก้ไขปัญหาเฉพาะชุด โดยรวมแล้ว โมดูลเหล่านี้จะกล่าวถึงการกำกับดูแลในมิติต่างๆ เช่น โครงสร้างพื้นฐาน ข้อมูล โมเดล และต้นทุน แต่ละโมดูลนำเสนอชุดฟังก์ชันที่แตกต่างกันและทำงานร่วมกับโมดูลอื่นๆ เพื่อมอบแพลตฟอร์ม ML แบบ end-to-end แบบบูรณาการพร้อมการรักษาความปลอดภัยแบบฝังตัวและการควบคุมการกำกับดูแล ในส่วนนี้ เราจะนำเสนอบทสรุปสั้นๆ เกี่ยวกับความสามารถของแต่ละโมดูล
รากฐานหลายบัญชี
โมดูลนี้ช่วยให้ผู้ดูแลระบบคลาวด์สร้าง โซนลงจอดของ AWS Control Tower เพื่อเป็นกรอบพื้นฐาน ซึ่งรวมถึงการสร้างโครงสร้างหลายบัญชี การรับรองความถูกต้องและการอนุญาตผ่าน IAM Identity Center การออกแบบฮับและพูดเครือข่าย บริการบันทึกแบบรวมศูนย์ และบัญชีสมาชิก AWS ใหม่พร้อมพื้นฐานการรักษาความปลอดภัยและการกำกับดูแลที่ได้มาตรฐาน
นอกจากนี้ โมดูลนี้ยังให้คำแนะนำแนวทางปฏิบัติที่ดีที่สุดเกี่ยวกับ OU และโครงสร้างบัญชีที่เหมาะสมสำหรับการสนับสนุนเวิร์กโฟลว์ ML และการวิเคราะห์ของคุณ ผู้ดูแลระบบคลาวด์จะเข้าใจวัตถุประสงค์ของบัญชีและ OU ที่จำเป็น วิธีการปรับใช้ และบริการรักษาความปลอดภัยและการปฏิบัติตามข้อกำหนดที่สำคัญที่พวกเขาควรใช้เพื่อควบคุมปริมาณงาน ML และการวิเคราะห์จากส่วนกลาง
กรอบการทำงานสำหรับการจำหน่ายบัญชีใหม่ยังครอบคลุมอยู่ ซึ่งใช้ระบบอัตโนมัติในการกำหนดบัญชีใหม่เมื่อมีการจัดเตรียม ด้วยการตั้งค่ากระบวนการจัดเตรียมบัญชีอัตโนมัติ ผู้ดูแลระบบคลาวด์สามารถมอบบัญชีที่พวกเขาต้องการสำหรับ ML และทีมวิเคราะห์เพื่อทำงานได้เร็วขึ้น โดยไม่ต้องเสียสละรากฐานที่แข็งแกร่งในการกำกับดูแล
รากฐานของ Data Lake
โมดูลนี้ช่วยให้ผู้ดูแลระบบ Data Lake ตั้งค่า Data Lake เพื่อนำเข้าข้อมูล ดูแลจัดการชุดข้อมูล และใช้ การก่อตัวของทะเลสาบ AWS โมเดลการกำกับดูแลสำหรับการจัดการการเข้าถึงข้อมูลแบบละเอียดระหว่างบัญชีและผู้ใช้โดยใช้แค็ตตาล็อกข้อมูลแบบรวมศูนย์ นโยบายการเข้าถึงข้อมูล และการควบคุมการเข้าถึงแบบแท็ก คุณสามารถเริ่มต้นจากเล็กๆ น้อยๆ ด้วยบัญชีเดียวสำหรับรากฐานแพลตฟอร์มข้อมูลของคุณเพื่อพิสูจน์แนวคิดหรือปริมาณงานเล็กๆ น้อยๆ สำหรับการนำปริมาณงานการผลิตขนาดกลางถึงขนาดใหญ่ไปใช้ เราขอแนะนำให้ใช้กลยุทธ์แบบหลายบัญชี ในการตั้งค่าดังกล่าว LOB สามารถรับบทบาทของผู้ผลิตข้อมูลและผู้บริโภคข้อมูลโดยใช้บัญชี AWS ที่แตกต่างกัน และการกำกับดูแล Data Lake จะดำเนินการจากบัญชี AWS ที่ใช้ร่วมกันส่วนกลาง ผู้ผลิตข้อมูลรวบรวม ประมวลผล และจัดเก็บข้อมูลจากโดเมนข้อมูลของตน นอกเหนือจากการตรวจสอบและรับรองคุณภาพของสินทรัพย์ข้อมูลของตน ผู้บริโภคข้อมูลใช้ข้อมูลจากผู้ผลิตข้อมูลหลังจากที่แค็ตตาล็อกส่วนกลางแชร์ข้อมูลโดยใช้ Lake Formation แค็ตตาล็อกแบบรวมศูนย์จะจัดเก็บและจัดการแค็ตตาล็อกข้อมูลที่ใช้ร่วมกันสำหรับบัญชีผู้ผลิตข้อมูล
บริการแพลตฟอร์ม ML
โมดูลนี้ช่วยให้ทีมวิศวกรรมแพลตฟอร์ม ML ตั้งค่าบริการที่ใช้ร่วมกันที่ทีมวิทยาศาสตร์ข้อมูลใช้ในบัญชีของทีมของตนได้ บริการต่างๆ ได้แก่ Service Catalog ผลงานพร้อมผลิตภัณฑ์สำหรับ โดเมน SageMaker การใช้งาน, โปรไฟล์ผู้ใช้โดเมน SageMaker การปรับใช้ เทมเพลตแบบจำลองวิทยาศาสตร์ข้อมูลสำหรับการสร้างโมเดลและการปรับใช้ โมดูลนี้มีฟังก์ชันการทำงานสำหรับการลงทะเบียนโมเดลแบบรวมศูนย์ การ์ดโมเดล แดชบอร์ดโมเดล และไปป์ไลน์ CI/CD ที่ใช้ในการประสานและทำให้การพัฒนาโมเดลและเวิร์กโฟลว์การใช้งานเป็นแบบอัตโนมัติ
นอกจากนี้ โมดูลนี้ยังให้รายละเอียดวิธีการใช้การควบคุมและการกำกับดูแลที่จำเป็นในการเปิดใช้งานความสามารถในการบริการตนเองตามบุคคล ช่วยให้ทีมวิทยาศาสตร์ข้อมูลปรับใช้โครงสร้างพื้นฐานคลาวด์และเทมเพลต ML ที่จำเป็นได้อย่างอิสระ
การพัฒนากรณีการใช้งาน ML
โมดูลนี้ช่วยให้ LOB และนักวิทยาศาสตร์ข้อมูลเข้าถึงโดเมน SageMaker ของทีมในสภาพแวดล้อมการพัฒนา และสร้างอินสแตนซ์เทมเพลตการสร้างโมเดลเพื่อพัฒนาโมเดลของตน ในโมดูลนี้ นักวิทยาศาสตร์ข้อมูลทำงานในอินสแตนซ์บัญชี dev ของเทมเพลตเพื่อโต้ตอบกับข้อมูลที่มีอยู่ใน Data Lake แบบรวมศูนย์ ใช้ซ้ำและแบ่งปันคุณสมบัติจากที่จัดเก็บคุณสมบัติส่วนกลาง สร้างและเรียกใช้การทดลอง ML สร้างและทดสอบเวิร์กโฟลว์ ML ของพวกเขา และลงทะเบียนโมเดลกับการลงทะเบียนโมเดลบัญชี dev ในสภาพแวดล้อมการพัฒนา
นอกจากนี้ ความสามารถต่างๆ เช่น การติดตามการทดลอง รายงานความสามารถในการอธิบายแบบจำลอง ข้อมูลและการตรวจสอบอคติของแบบจำลอง และการลงทะเบียนแบบจำลองยังถูกนำมาใช้ในเทมเพลตอีกด้วย ช่วยให้สามารถปรับโซลูชันให้เข้ากับแบบจำลองที่นักวิทยาศาสตร์ข้อมูลพัฒนาขึ้นได้อย่างรวดเร็ว
การดำเนินงานของ ML
โมดูลนี้ช่วยให้วิศวกร LOB และ ML ทำงานบนอินสแตนซ์ dev ของเทมเพลตการปรับใช้แบบจำลอง หลังจากลงทะเบียนและอนุมัติโมเดลผู้สมัครแล้ว พวกเขาจะตั้งค่าไปป์ไลน์ CI/CD และรันเวิร์กโฟลว์ ML ในสภาพแวดล้อมการทดสอบของทีม ซึ่งจะลงทะเบียนโมเดลลงในการลงทะเบียนโมเดลส่วนกลางที่ทำงานในบัญชีบริการที่ใช้ร่วมกันของแพลตฟอร์ม เมื่อโมเดลได้รับการอนุมัติในการลงทะเบียนโมเดลส่วนกลาง สิ่งนี้จะทริกเกอร์ไปป์ไลน์ CI/CD เพื่อปรับใช้โมเดลในสภาพแวดล้อมการใช้งานจริงของทีม
ที่เก็บฟีเจอร์แบบรวมศูนย์
หลังจากที่โมเดลแรกถูกปรับใช้กับการใช้งานจริงและกรณีการใช้งานหลายกรณีเริ่มแบ่งปันคุณสมบัติที่สร้างจากข้อมูลเดียวกัน ที่เก็บคุณสมบัติกลายเป็นสิ่งจำเป็นเพื่อให้แน่ใจว่าการทำงานร่วมกันข้ามกรณีการใช้งานและลดงานที่ซ้ำกัน โมดูลนี้ช่วยให้ทีมวิศวกรรมแพลตฟอร์ม ML ตั้งค่าที่เก็บคุณลักษณะแบบรวมศูนย์เพื่อจัดเตรียมพื้นที่จัดเก็บและการกำกับดูแลสำหรับคุณลักษณะ ML ที่สร้างขึ้นโดยกรณีการใช้งาน ML ซึ่งช่วยให้สามารถใช้คุณลักษณะซ้ำได้ทั่วทั้งโปรเจ็กต์
การบันทึกและการสังเกต
โมดูลนี้ช่วยให้ LOB และผู้ปฏิบัติงาน ML มองเห็นสถานะของปริมาณงาน ML ในสภาพแวดล้อม ML ผ่านการรวมศูนย์ของกิจกรรมบันทึก เช่น CloudTrail, CloudWatch, บันทึกโฟลว์ VPC และบันทึกปริมาณงาน ML ทีมสามารถกรอง ค้นหา และแสดงภาพบันทึกเพื่อการวิเคราะห์ ซึ่งสามารถช่วยปรับปรุงมาตรการรักษาความปลอดภัยได้เช่นกัน
ต้นทุนและการรายงาน
โมดูลนี้ช่วยให้ผู้มีส่วนได้ส่วนเสียต่างๆ (ผู้ดูแลระบบคลาวด์ ผู้ดูแลระบบแพลตฟอร์ม สำนักงานธุรกิจบนคลาวด์) สามารถสร้างรายงานและแดชบอร์ดเพื่อแจกแจงต้นทุนในระดับผู้ใช้ ML ทีม ML และผลิตภัณฑ์ ML และติดตามการใช้งาน เช่น จำนวนผู้ใช้ ประเภทอินสแตนซ์ และ จุดสิ้นสุด
ลูกค้าขอให้เราให้คำแนะนำเกี่ยวกับจำนวนบัญชีที่จะสร้างและวิธีจัดโครงสร้างบัญชีเหล่านั้น ในส่วนถัดไป เราจะให้คำแนะนำเกี่ยวกับโครงสร้างบัญชีนั้นเพื่อเป็นข้อมูลอ้างอิงที่คุณสามารถปรับเปลี่ยนให้เหมาะกับความต้องการของคุณตามข้อกำหนดการกำกับดูแลองค์กรของคุณ
ในส่วนนี้ เราจะหารือเกี่ยวกับคำแนะนำของเราในการจัดระเบียบโครงสร้างบัญชีของคุณ เราใช้โครงสร้างบัญชีอ้างอิงพื้นฐานร่วมกัน อย่างไรก็ตาม เราขอแนะนำให้ผู้ดูแลระบบ ML และข้อมูลทำงานอย่างใกล้ชิดกับผู้ดูแลระบบระบบคลาวด์เพื่อปรับแต่งโครงสร้างบัญชีนี้ตามการควบคุมขององค์กร
เราขอแนะนำให้จัดระเบียบบัญชีตาม OU เพื่อความปลอดภัย โครงสร้างพื้นฐาน ปริมาณงาน และการปรับใช้ นอกจากนี้ ภายในแต่ละ OU ให้จัดระเบียบตาม OU ที่ไม่ใช่การผลิตและ OU ที่ใช้งานจริง เนื่องจากบัญชีและปริมาณงานที่ใช้งานภายใต้การควบคุมที่แตกต่างกัน ต่อไป เราจะพูดคุยกันสั้นๆ เกี่ยวกับ OU เหล่านั้น
หน่วยงานรักษาความปลอดภัย
บัญชีใน OU นี้ได้รับการจัดการโดยผู้ดูแลระบบคลาวด์ขององค์กรหรือทีมรักษาความปลอดภัยเพื่อตรวจสอบ ระบุ ปกป้อง ตรวจจับ และตอบสนองต่อเหตุการณ์ด้านความปลอดภัย
โครงสร้างพื้นฐาน OU
บัญชีใน OU นี้ได้รับการจัดการโดยผู้ดูแลระบบคลาวด์ขององค์กรหรือทีมเครือข่ายสำหรับการจัดการทรัพยากรและเครือข่ายที่ใช้ร่วมกันของโครงสร้างพื้นฐานระดับองค์กร
เราขอแนะนำให้มีบัญชีต่อไปนี้ภายใต้โครงสร้างพื้นฐาน OU:
- เครือข่าย – ตั้งค่าโครงสร้างพื้นฐานเครือข่ายแบบรวมศูนย์ เช่น AWS ทรานซิทเกตเวย์
- บริการที่ใช้ร่วมกัน – ตั้งค่าบริการ AD แบบรวมศูนย์และจุดสิ้นสุด VPC
ภาระงาน OU
บัญชีใน OU นี้ได้รับการจัดการโดยผู้ดูแลระบบทีมแพลตฟอร์มขององค์กร หากคุณต้องการใช้การควบคุมที่แตกต่างกันสำหรับทีมแพลตฟอร์มแต่ละทีม คุณสามารถซ้อน OU ระดับอื่นเพื่อวัตถุประสงค์นั้นได้ เช่น ปริมาณงาน ML OU, ปริมาณงานข้อมูล OU และอื่นๆ
เราขอแนะนำบัญชีต่อไปนี้ภายใต้ภาระงาน OU:
- บัญชี ML dev, test และ prod ระดับทีม – ตั้งค่านี้ตามความต้องการการแยกภาระงานของคุณ
- บัญชี Data Lake – แบ่งพาร์ติชันบัญชีตามโดเมนข้อมูลของคุณ
- บัญชีการกำกับดูแลข้อมูลส่วนกลาง – รวมศูนย์นโยบายการเข้าถึงข้อมูลของคุณ
- บัญชีร้านค้าคุณลักษณะกลาง – รวมคุณสมบัติไว้เพื่อการแบ่งปันระหว่างทีม
OU
บัญชีใน OU นี้ได้รับการจัดการโดยผู้ดูแลระบบทีมแพลตฟอร์มขององค์กรสำหรับการปรับใช้ปริมาณงานและความสามารถในการสังเกต
เราขอแนะนำบัญชีต่อไปนี้ภายใต้ OU การปรับใช้ เนื่องจากทีมแพลตฟอร์ม ML สามารถตั้งค่าชุดการควบคุมต่างๆ ในระดับ OU นี้เพื่อจัดการและควบคุมการปรับใช้:
- บัญชีบริการที่ใช้ร่วมกันของ ML สำหรับการทดสอบและผลิตภัณฑ์ – โฮสต์แพลตฟอร์มบริการที่ใช้ร่วมกัน CI/CD และการลงทะเบียนแบบจำลอง
- ความสามารถในการสังเกต ML คำนึงถึงการทดสอบและผลิตภัณฑ์ – โฮสต์บันทึก CloudWatch, บันทึก CloudTrail และบันทึกอื่นๆ ตามความจำเป็น
ต่อไป เราจะพูดคุยสั้นๆ เกี่ยวกับการควบคุมองค์กรที่ต้องพิจารณาเพื่อฝังลงในบัญชีสมาชิกเพื่อตรวจสอบทรัพยากรโครงสร้างพื้นฐาน
การควบคุมสภาพแวดล้อม AWS
การควบคุมคือกฎระดับสูงที่ให้การกำกับดูแลอย่างต่อเนื่องสำหรับสภาพแวดล้อม AWS โดยรวมของคุณ มันแสดงออกด้วยภาษาธรรมดา ในเฟรมเวิร์กนี้ เราใช้ AWS Control Tower เพื่อปรับใช้การควบคุมต่อไปนี้ซึ่งช่วยคุณควบคุมทรัพยากรของคุณและติดตามการปฏิบัติตามข้อกำหนดระหว่างกลุ่มบัญชี AWS:
- การควบคุมเชิงป้องกัน – การควบคุมเชิงป้องกันช่วยให้แน่ใจว่าบัญชีของคุณรักษาการปฏิบัติตามข้อกำหนด เนื่องจากไม่อนุญาตการกระทำที่นำไปสู่การละเมิดนโยบายและดำเนินการโดยใช้นโยบายการควบคุมบริการ (SCP) ตัวอย่างเช่น คุณสามารถตั้งค่าการควบคุมเชิงป้องกันเพื่อให้แน่ใจว่า CloudTrail จะไม่ถูกลบหรือหยุดในบัญชี AWS หรือภูมิภาค
- การควบคุมนักสืบ – การควบคุมของนักสืบจะตรวจจับการไม่ปฏิบัติตามทรัพยากรภายในบัญชีของคุณ เช่น การละเมิดนโยบาย ให้การแจ้งเตือนผ่านแดชบอร์ด และดำเนินการโดยใช้ การกำหนดค่า AWS กฎ. ตัวอย่างเช่น คุณสามารถสร้างการควบคุมนักสืบเพื่อตรวจสอบว่ามีการเปิดใช้การเข้าถึงการอ่านแบบสาธารณะหรือไม่ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ที่เก็บข้อมูลในบัญชีที่ใช้ร่วมกันที่เก็บถาวรบันทึก
- การควบคุมเชิงรุก – การควบคุมเชิงรุกจะสแกนทรัพยากรของคุณก่อนที่จะจัดเตรียม และตรวจสอบให้แน่ใจว่าทรัพยากรนั้นสอดคล้องกับการควบคุมนั้นและนำไปใช้งานโดยใช้ การก่อตัวของ AWS Cloud ตะขอ ทรัพยากรที่ไม่เป็นไปตามข้อกำหนดจะไม่ได้รับการจัดเตรียม ตัวอย่างเช่น คุณสามารถตั้งค่าการควบคุมเชิงรุกที่จะตรวจสอบว่าอินสแตนซ์โน้ตบุ๊ก SageMaker ไม่อนุญาตการเข้าถึงอินเทอร์เน็ตโดยตรง
การโต้ตอบระหว่างบริการแพลตฟอร์ม ML กรณีการใช้งาน ML และการดำเนินการ ML
บุคคลที่แตกต่างกัน เช่น หัวหน้าฝ่ายวิทยาศาสตร์ข้อมูล (หัวหน้านักวิทยาศาสตร์ข้อมูล) นักวิทยาศาสตร์ข้อมูล และวิศวกร ML ใช้งานโมดูล 2–6 ดังที่แสดงในแผนภาพต่อไปนี้สำหรับขั้นตอนต่างๆ ของบริการแพลตฟอร์ม ML การพัฒนากรณีการใช้งาน ML และการดำเนินงาน ML พร้อมด้วยรากฐาน Data Lake และที่จัดเก็บฟีเจอร์ส่วนกลาง
ตารางต่อไปนี้สรุปกิจกรรม Ops Flow และขั้นตอนการตั้งค่าสำหรับบุคคลที่แตกต่างกัน เมื่อบุคคลเริ่มต้นกิจกรรม ML โดยเป็นส่วนหนึ่งของขั้นตอนการปฏิบัติงาน บริการต่างๆ จะทำงานตามที่กล่าวไว้ในขั้นตอนการตั้งค่า
บุคคล | กิจกรรม Ops Flow – หมายเลข | กิจกรรม Ops Flow – คำอธิบาย | ตั้งค่าขั้นตอนการไหล – หมายเลข | ตั้งค่าขั้นตอนโฟลว์ – คำอธิบาย |
หัวหน้าวิทยาศาสตร์ข้อมูลหรือหัวหน้าทีม ML |
1 |
ใช้ Service Catalog ในบัญชีบริการแพลตฟอร์ม ML และปรับใช้สิ่งต่อไปนี้:
|
1- |
|
ฮิต-B |
|
|||
Data Scientist |
2 |
ดำเนินการและติดตามการทดลอง ML ในสมุดบันทึก SageMaker |
2- |
|
3 |
ทำการทดลอง ML ที่ประสบความสำเร็จโดยอัตโนมัติด้วยโปรเจ็กต์และไปป์ไลน์ของ SageMaker |
3- |
|
|
ฮิต-B |
หลังจากที่ไปป์ไลน์ SageMaker ทำงาน ให้บันทึกโมเดลในรีจิสทรีโมเดลในเครื่อง (dev) | |||
หัวหน้านักวิทยาศาสตร์ข้อมูลหรือหัวหน้าทีม ML |
4 |
อนุมัติโมเดลในการลงทะเบียนโมเดลภายในเครื่อง (dev) |
4- |
ข้อมูลเมตาของโมเดลและแพ็คเกจโมเดลเขียนจากรีจีสทรีโมเดลโลคัล (dev) ไปยังรีจีสทรีโมเดลส่วนกลาง |
5 |
อนุมัติโมเดลในการลงทะเบียนโมเดลส่วนกลาง |
5- |
เริ่มต้นกระบวนการปรับใช้ CI/CD เพื่อสร้างตำแหน่งข้อมูล SageMaker ในสภาพแวดล้อมการทดสอบ | |
ฮิต-B |
เขียนข้อมูลโมเดลและข้อมูลเมตาไปยังโมดูลการกำกับดูแล ML (การ์ดโมเดล แดชบอร์ดโมเดล) ในบัญชีบริการแพลตฟอร์ม ML จากบัญชีท้องถิ่น (dev) | |||
ม.ล.วิศวกร |
6 |
ทดสอบและตรวจสอบตำแหน่งข้อมูล SageMaker ในสภาพแวดล้อมการทดสอบหลังจาก CI/CD | . | |
7 |
อนุมัติการปรับใช้งานตำแหน่งข้อมูล SageMaker ในสภาพแวดล้อมการผลิต |
7- |
เริ่มต้นกระบวนการปรับใช้ CI/CD เพื่อสร้างตำแหน่งข้อมูล SageMaker ในสภาพแวดล้อมการผลิต | |
8 |
ทดสอบและตรวจสอบตำแหน่งข้อมูล SageMaker ในสภาพแวดล้อมการทดสอบหลังจาก CI/CD | . |
บุคลิกและการโต้ตอบกับโมดูลต่างๆ ของแพลตฟอร์ม ML
แต่ละโมดูลจะรองรับบุคคลเป้าหมายเฉพาะภายในแผนกเฉพาะที่ใช้โมดูลบ่อยที่สุด โดยให้สิทธิ์การเข้าถึงหลักแก่พวกเขา การเข้าถึงระดับรองจะได้รับอนุญาตสำหรับแผนกอื่นๆ ที่จำเป็นต้องใช้โมดูลเป็นครั้งคราว โมดูลต่างๆ ได้รับการปรับแต่งตามความต้องการของบทบาทงานหรือลักษณะเฉพาะเพื่อเพิ่มประสิทธิภาพการทำงาน
เราหารือเกี่ยวกับทีมต่อไปนี้:
- วิศวกรรมคลาวด์ส่วนกลาง – ทีมนี้ทำงานในระดับคลาวด์ขององค์กรในทุกเวิร์กโหลดสำหรับการตั้งค่าบริการโครงสร้างพื้นฐานคลาวด์ทั่วไป เช่น การตั้งค่าเครือข่ายระดับองค์กร ข้อมูลประจำตัว สิทธิ์ และการจัดการบัญชี
- วิศวกรรมแพลตฟอร์มข้อมูล – ทีมนี้จัดการ Data Lake ขององค์กร การรวบรวมข้อมูล การดูแลจัดการข้อมูล และการกำกับดูแลข้อมูล
- วิศวกรรมแพลตฟอร์ม ML – ทีมนี้ทำงานที่ระดับแพลตฟอร์ม ML ทั่วทั้ง LOB เพื่อให้บริการโครงสร้างพื้นฐาน ML ที่ใช้ร่วมกัน เช่น การจัดเตรียมโครงสร้างพื้นฐาน ML การติดตามการทดลอง การกำกับดูแลโมเดล การปรับใช้ และความสามารถในการสังเกต
ตารางต่อไปนี้แสดงรายละเอียดว่าดิวิชั่นใดมีสิทธิ์เข้าถึงหลักและรองสำหรับแต่ละโมดูลตามลักษณะเป้าหมายของโมดูล
หมายเลขโมดูล | โมดูล | การเข้าถึงหลัก | การเข้าถึงระดับรอง | บุคลิกเป้าหมาย | จำนวนบัญชี |
1 |
รากฐานหลายบัญชี | วิศวกรรมคลาวด์ส่วนกลาง | LOB ส่วนบุคคล |
|
สองสาม |
2 |
รากฐานของ Data Lake | วิศวกรรมคลาวด์ส่วนกลางหรือแพลตฟอร์มข้อมูล | LOB ส่วนบุคคล |
|
แพลตฟอร์มที่หลากหลาย |
3 |
บริการแพลตฟอร์ม ML | วิศวกรรมแพลตฟอร์มคลาวด์ส่วนกลางหรือ ML | LOB ส่วนบุคคล |
|
หนึ่ง |
4 |
การพัฒนากรณีการใช้งาน ML | LOB ส่วนบุคคล | วิศวกรรมแพลตฟอร์มคลาวด์ส่วนกลางหรือ ML |
|
แพลตฟอร์มที่หลากหลาย |
5 |
การดำเนินงานของ ML | วิศวกรรมคลาวด์ส่วนกลางหรือ ML | LOB ส่วนบุคคล |
|
แพลตฟอร์มที่หลากหลาย |
6 |
ที่เก็บฟีเจอร์แบบรวมศูนย์ | คลาวด์ส่วนกลางหรือวิศวกรรมข้อมูล | LOB ส่วนบุคคล |
|
หนึ่ง |
7 |
การบันทึกและการสังเกต | วิศวกรรมคลาวด์ส่วนกลาง | LOB ส่วนบุคคล |
|
หนึ่ง |
8 |
ต้นทุนและการรายงาน | LOB ส่วนบุคคล | วิศวกรรมแพลตฟอร์มกลาง |
|
หนึ่ง |
สรุป
ในโพสต์นี้ เราได้แนะนำเฟรมเวิร์กสำหรับการควบคุมวงจรการใช้งาน ML ในระดับที่ช่วยให้คุณปรับใช้ปริมาณงาน ML ที่มีสถาปัตยกรรมอย่างดี ซึ่งฝังไว้กับการควบคุมการรักษาความปลอดภัยและการควบคุมดูแล เราได้พูดคุยถึงวิธีที่เฟรมเวิร์กนี้ใช้แนวทางแบบองค์รวมในการสร้างแพลตฟอร์ม ML โดยพิจารณาจากการกำกับดูแลข้อมูล การกำกับดูแลโมเดล และการควบคุมระดับองค์กร เราขอแนะนำให้คุณทดลองใช้กรอบงานและแนวคิดที่แนะนำในโพสต์นี้ และแบ่งปันความคิดเห็นของคุณ
เกี่ยวกับผู้แต่ง
ราม วิตตาล เป็น Principal ML Solutions Architect ที่ AWS เขามีประสบการณ์มากกว่า 3 ทศวรรษในด้านสถาปัตยกรรมและการสร้างแอปพลิเคชันแบบกระจาย ไฮบริด และคลาวด์ เขาหลงใหลในการสร้างโซลูชัน AI/ML และบิ๊กดาต้าที่ปลอดภัย ปรับขนาดได้ และเชื่อถือได้ เพื่อช่วยลูกค้าระดับองค์กรในการปรับใช้ระบบคลาวด์และเส้นทางการเพิ่มประสิทธิภาพเพื่อปรับปรุงผลลัพธ์ทางธุรกิจของพวกเขา ในเวลาว่าง เขาขี่มอเตอร์ไซค์และเดินเล่นกับแกะดูเดิลวัย XNUMX ขวบของเขา!
โสวิกกุมารนาถ เป็นสถาปนิกโซลูชัน AI/ML กับ AWS เขามีประสบการณ์อย่างกว้างขวางในการออกแบบการเรียนรู้ของเครื่องแบบ end-to-end และโซลูชันการวิเคราะห์ธุรกิจในด้านการเงิน การดำเนินงาน การตลาด การดูแลสุขภาพ การจัดการห่วงโซ่อุปทาน และ IoT Sovik ได้ตีพิมพ์บทความและได้รับสิทธิบัตรในการตรวจสอบโมเดล ML เขามีปริญญาโทสองใบจากมหาวิทยาลัยเซาท์ฟลอริดา มหาวิทยาลัยฟรีบูร์ก ประเทศสวิตเซอร์แลนด์ และปริญญาตรีจากสถาบันเทคโนโลยีแห่งอินเดีย คารักปูร์ นอกเหนือจากงาน Sovik ยังชื่นชอบการเดินทาง นั่งเรือเฟอร์รี และชมภาพยนตร์
ไมร่า ลาเดร่า ทันเก้ เป็นผู้เชี่ยวชาญด้านข้อมูลอาวุโสที่ AWS ในฐานะผู้นำด้านเทคนิค เธอช่วยให้ลูกค้าเร่งความสำเร็จในการสร้างมูลค่าทางธุรกิจผ่านเทคโนโลยีใหม่และโซลูชั่นที่เป็นนวัตกรรมใหม่ Maira ร่วมงานกับ AWS มาตั้งแต่เดือนมกราคม 2020 ก่อนหน้านั้น เธอทำงานเป็นนักวิทยาศาสตร์ข้อมูลในหลายอุตสาหกรรมโดยมุ่งเน้นที่การบรรลุมูลค่าทางธุรกิจจากข้อมูล ในเวลาว่าง Maira สนุกกับการท่องเที่ยวและใช้เวลาร่วมกับครอบครัวในสถานที่อันอบอุ่น
ไรอัน เลมก้า เป็นสถาปนิกโซลูชันอาวุโสที่ Amazon Web Services ซึ่งเขาช่วยให้ลูกค้าทำงานย้อนกลับจากวัตถุประสงค์ทางธุรกิจเพื่อพัฒนาโซลูชันบน AWS เขามีประสบการณ์เชิงลึกในด้านกลยุทธ์ทางธุรกิจ การจัดการระบบไอที และวิทยาศาสตร์ข้อมูล Ryan ทุ่มเทให้กับการเป็นผู้เรียนรู้ตลอดชีวิต และสนุกกับการท้าทายตัวเองทุกวันเพื่อเรียนรู้สิ่งใหม่ๆ
ศรีฮาร์ช อาดารี เป็นสถาปนิกโซลูชันอาวุโสที่ Amazon Web Services (AWS) ซึ่งเขาช่วยลูกค้าทำงานย้อนหลังจากผลลัพธ์ทางธุรกิจเพื่อพัฒนาโซลูชันที่เป็นนวัตกรรมใหม่บน AWS ในช่วงหลายปีที่ผ่านมา เขาได้ช่วยเหลือลูกค้าหลายรายในการแปลงแพลตฟอร์มข้อมูลทั่วทั้งอุตสาหกรรม ความเชี่ยวชาญหลักของเขา ได้แก่ กลยุทธ์ด้านเทคโนโลยี การวิเคราะห์ข้อมูล และวิทยาศาสตร์ข้อมูล ในเวลาว่าง เขาชอบเล่นกีฬา ดูรายการทีวี และเล่น Tabla
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/governing-the-ml-lifecycle-at-scale-part-1-a-framework-for-architecting-ml-workloads-using-amazon-sagemaker/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- 1
- 10
- 100
- 12
- 12 เดือน
- 2020
- 28
- 7
- 8
- 971
- a
- เกี่ยวกับเรา
- เร่งความเร็ว
- เข้า
- สามารถเข้าถึงได้
- ตาม
- ลงชื่อเข้าใช้
- บัญชี
- ผลสัมฤทธิ์
- การบรรลุ
- ข้าม
- การปฏิบัติ
- อยากทำกิจกรรม
- Ad
- ปรับ
- การปรับตัว
- นอกจากนี้
- เพิ่มเติม
- ที่อยู่
- ที่อยู่
- ที่อยู่
- ผู้ดูแลระบบ
- ผู้ดูแลระบบ
- การนำ
- การนำมาใช้
- หลังจาก
- AI
- โมเดล AI
- AI / ML
- การแจ้งเตือน
- ทั้งหมด
- อนุญาตให้
- การอนุญาต
- ช่วยให้
- ตาม
- แล้ว
- ด้วย
- แม้ว่า
- อเมซอน
- อเมซอน SageMaker
- Amazon Web Services
- Amazon Web Services (AWS)
- an
- การวิเคราะห์
- การวิเคราะห์
- และ
- และโครงสร้างพื้นฐาน
- ใด
- การใช้งาน
- เข้าใกล้
- เหมาะสม
- ได้รับการอนุมัติ
- สถาปัตยกรรม
- เอกสารเก่า
- เป็น
- AREA
- บทความ
- AS
- สินทรัพย์
- ที่เกี่ยวข้อง
- สมมติ
- At
- การยืนยันตัวตน
- การอนุญาต
- โดยอัตโนมัติ
- อัตโนมัติ
- อัตโนมัติ
- ใช้ได้
- AWS
- ยอดคงเหลือ
- ตาม
- baseline
- BE
- เพราะ
- จะกลายเป็น
- รับ
- ก่อน
- กำลัง
- เป็นประโยชน์
- ประโยชน์ที่ได้รับ
- ที่ดีที่สุด
- ปฏิบัติที่ดีที่สุด
- ระหว่าง
- อคติ
- ใหญ่
- ข้อมูลขนาดใหญ่
- ทำลาย
- สั้น
- สร้าง
- การก่อสร้าง
- สร้าง
- ธุรกิจ
- กลยุทธ์ทางธุรกิจ
- แต่
- by
- CAN
- ผู้สมัคร
- ความสามารถในการ
- บัตร
- การ์ด
- กรณี
- กรณี
- แค็ตตาล็อก
- หมวดหมู่
- จัดเลี้ยง
- ก่อให้เกิด
- ศูนย์
- ส่วนกลาง
- การรวบอำนาจ
- ส่วนกลาง
- โซ่
- ความท้าทาย
- ท้าทาย
- การตรวจสอบ
- เคมี
- อย่างใกล้ชิด
- เมฆ
- การยอมรับระบบคลาวด์
- โครงสร้างพื้นฐานคลาวด์
- รหัส
- การทำงานร่วมกัน
- ชุด
- รวม
- ร่วมกัน
- บริษัท
- การปฏิบัติตาม
- ไม่ขัดขืน
- ส่วนประกอบ
- ประกอบด้วย
- แนวคิด
- แนวความคิด
- ถือว่า
- พิจารณา
- พิจารณา
- บริโภค
- ผู้บริโภค
- ภาชนะ
- ควบคุม
- หอควบคุม
- การควบคุม
- การควบคุม
- การประสานงาน
- แกน
- ราคา
- ค่าใช้จ่าย
- ปกคลุม
- สร้าง
- ที่สร้างขึ้น
- curation
- ลูกค้า
- ปรับแต่ง
- การปรับแต่ง
- หน้าปัด
- แดชบอร์ด
- ข้อมูล
- การเข้าถึงข้อมูล
- วิเคราะห์ข้อมูล
- ดาต้าเลค
- แพลตฟอร์มข้อมูล
- ความเป็นส่วนตัวของข้อมูล
- วิทยาศาสตร์ข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- ชุดข้อมูล
- วัน
- ทศวรรษที่ผ่านมา
- ทุ่มเท
- ลึก
- องศา
- หน่วยงาน
- ปรับใช้
- นำไปใช้
- ปรับใช้
- การใช้งาน
- การใช้งาน
- Deploys
- ออกแบบ
- ได้รับการออกแบบ
- การออกแบบ
- รายละเอียด
- dev
- พัฒนา
- พัฒนา
- พัฒนาการ
- การพัฒนา
- ต่าง
- มิติ
- โดยตรง
- สนทนา
- กล่าวถึง
- แตกต่าง
- กระจาย
- การดำน้ำ
- โดเมน
- สอง
- ลง
- แต่ละ
- ความพยายาม
- ฝัง
- ที่ฝัง
- การฝัง
- กากกะรุน
- เทคโนโลยีใหม่
- ทำให้สามารถ
- เปิดการใช้งาน
- ช่วยให้
- การเปิดใช้งาน
- ส่งเสริม
- จบสิ้น
- ปลายทาง
- วิศวกร
- ชั้นเยี่ยม
- วิศวกร
- เสริม
- ทำให้มั่นใจ
- เพื่อให้แน่ใจ
- การสร้างความมั่นใจ
- Enterprise
- ระดับองค์กร
- ผู้ประกอบการ
- สิ่งแวดล้อม
- สภาพแวดล้อม
- จำเป็น
- ประเมินค่า
- เหตุการณ์
- ทุกๆ
- ทุกวัน
- ตัวอย่าง
- ประสบการณ์
- การทดลอง
- การทดลอง
- ความชำนาญ
- แสดง
- การขยาย
- กว้างขวาง
- ประสบการณ์ที่กว้างขวาง
- ต้องเผชิญกับ
- อำนวยความสะดวก
- ครอบครัว
- ลักษณะ
- คุณสมบัติ
- ข้อเสนอแนะ
- สองสาม
- รูป
- กรอง
- เงินทุน
- ทางการเงิน
- บริการทางการเงิน
- ชื่อจริง
- ความยืดหยุ่น
- ฟลอริด้า
- ไหล
- โดยมุ่งเน้น
- ดังต่อไปนี้
- สำหรับ
- ฟอร์ม
- การสร้าง
- รากฐาน
- ฐานราก
- สี่
- กรอบ
- ฟรี
- ราคาเริ่มต้นที่
- ฟังก์ชัน
- การทำงาน
- ฟังก์ชันการทำงาน
- ฟังก์ชั่น
- ฟังก์ชั่น
- ต่อไป
- นอกจากนี้
- ได้รับ
- สร้าง
- การสร้าง
- กำเนิด
- กำเนิด AI
- จะช่วยให้
- เหตุการณ์ที่
- การกำกับดูแล
- รูปแบบการปกครอง
- โมดูลการกำกับดูแล
- ปกครอง
- การปกครอง
- การอนุญาต
- กลุ่ม
- คำแนะนำ
- มี
- มี
- he
- หัว
- การดูแลสุขภาพ
- ได้ยิน
- ช่วย
- ช่วย
- จะช่วยให้
- เธอ
- จุดสูง
- ระดับสูง
- ของเขา
- ถือ
- แบบองค์รวม
- ตะขอ
- เจ้าภาพ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- HTML
- ที่ http
- HTTPS
- Hub
- เป็นลูกผสม
- ระบุ
- เอกลักษณ์
- if
- การดำเนินการ
- การดำเนินงาน
- การดำเนินการ
- การดำเนินการ
- ปรับปรุง
- การปรับปรุง
- in
- ประกอบด้วย
- รวมถึง
- รวมทั้ง
- ที่เพิ่มขึ้น
- อิสระ
- ชาวอินเดีย
- อุตสาหกรรม
- อุตสาหกรรม
- ข้อมูล
- โครงสร้างพื้นฐาน
- แรกเริ่ม
- ประทับจิต
- นวัตกรรม
- นวัตกรรม
- ตัวอย่าง
- สถาบัน
- แบบบูรณาการ
- โต้ตอบ
- ปฏิสัมพันธ์
- สนใจ
- อินเทอร์เน็ต
- อินเทอร์เน็ต
- เข้าไป
- แนะนำ
- การลงทุน
- IOT
- ความเหงา
- IT
- มกราคม
- การสัมภาษณ์
- การเดินทาง
- jpg
- คีย์
- ความรู้
- kumar
- ไม่มี
- ทะเลสาบ
- ชล
- เชื่อมโยงไปถึง
- ภาษา
- ใหญ่
- ต่อมา
- ชั้น
- นำ
- เรียนรู้
- การเรียนรู้
- ชั้น
- ระดับ
- วงจรชีวิต
- กดไลก์
- เชื้อสาย
- เส้น
- ในประเทศ
- เข้าสู่ระบบ
- การเข้าสู่ระบบ
- ที่ต้องการหา
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- เก็บรักษา
- ทำให้
- จัดการ
- การจัดการ
- การจัดการ
- จัดการ
- การจัดการ
- หลาย
- แผนที่
- การตลาด
- เป็นผู้ใหญ่
- วุฒิภาวะ
- อาจ..
- สมาชิก
- กล่าวถึง
- ตาข่าย
- เมตาดาต้า
- ซึ่งบรรเทา
- ลดความเสี่ยง
- ML
- ม.ป.ป
- แบบ
- โมเดล
- แก้ไข
- โมดูลาร์
- โมดูล
- โมดูล
- การตรวจสอบ
- การตรวจสอบ
- จอภาพ
- เดือน
- ข้อมูลเพิ่มเติม
- มากที่สุด
- รถจักรยานยนต์
- Movies
- หลาย
- พื้นเมือง
- จำเป็นต้อง
- ความต้องการ
- รัง
- เครือข่าย
- เครือข่าย
- เครือข่าย
- ใหม่
- คุณสมบัติใหม่
- ถัดไป
- สมุดบันทึก
- จำนวน
- วัตถุประสงค์
- เป็นครั้งคราว
- of
- เสนอ
- Office
- มักจะ
- เก่า
- on
- ครั้งเดียว
- ONE
- ต่อเนื่อง
- ทำงาน
- การดำเนินการ
- ดำเนินการ
- การดำเนินงาน
- การดำเนินการ
- การเพิ่มประสิทธิภาพ
- เพิ่มประสิทธิภาพ
- or
- organizacja
- องค์กร
- การจัดระเบียบ
- อื่นๆ
- ของเรา
- ออก
- ผลลัพธ์
- ด้านนอก
- เกิน
- ทั้งหมด
- ภาพรวม
- แพ็คเกจ
- ส่วนหนึ่ง
- ในสิ่งที่สนใจ
- หลงใหล
- สิทธิบัตร
- ดำเนินการ
- การปฏิบัติ
- สิทธิ์
- ท่อ
- สถานที่
- ที่ราบ
- เวที
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- นโยบาย
- นโยบาย
- ผลงาน
- โพสต์
- การปฏิบัติ
- การปฏิบัติ
- นำเสนอ
- การป้องกัน
- ประถม
- หลัก
- ก่อน
- ความเป็นส่วนตัว
- ส่วนตัว
- ภาคเอกชน
- เชิงรุก
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- กระบวนการ
- ผู้ผลิต
- ผู้ผลิต
- ผลิตภัณฑ์
- การผลิต
- ผลิตภัณฑ์
- โครงการ
- โปรโมชั่น
- พิสูจน์
- พิสูจน์แนวคิด
- ปกป้อง
- ให้
- ให้
- การให้
- สาธารณะ
- การตีพิมพ์
- วัตถุประสงค์
- คุณภาพ
- อย่างรวดเร็ว
- รวดเร็ว
- อ่าน
- เมื่อเร็ว ๆ นี้
- รับรู้
- แนะนำ
- แนะนำ
- ลด
- การอ้างอิง
- ภูมิภาค
- ทะเบียน
- ลงทะเบียน
- ลงทะเบียน
- รีจิสทรี
- ควบคุม
- อุตสาหกรรมที่มีการควบคุม
- น่าเชื่อถือ
- ลบ
- รายงาน
- ต้องการ
- จำเป็นต้องใช้
- ความต้องการ
- ทรัพยากร
- แหล่งข้อมูล
- การตอบสนอง
- รับผิดชอบ
- นำมาใช้ใหม่
- ขี่
- ความเสี่ยง
- ความเสี่ยง
- บทบาท
- บทบาท
- ราก
- กฎ
- กฎระเบียบ
- วิ่ง
- วิ่ง
- ไรอัน
- เสียสละ
- sagemaker
- ท่อส่ง SageMaker
- เดียวกัน
- ที่ปรับขนาดได้
- ขนาด
- ปรับ
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- นักวิทยาศาสตร์
- ค้นหา
- รอง
- Section
- ภาค
- ปลอดภัย
- ความปลอดภัย
- เหตุการณ์การรักษาความปลอดภัย
- บริการตัวเอง
- ระดับอาวุโส
- ชุด
- บริการ
- บริการ
- ชุด
- ชุดอุปกรณ์
- การตั้งค่า
- การติดตั้ง
- Share
- ที่ใช้ร่วมกัน
- หุ้น
- ใช้งานร่วมกัน
- เธอ
- สั้น
- น่า
- แสดง
- แสดงให้เห็นว่า
- ง่าย
- ตั้งแต่
- เดียว
- ขนาด
- เล็ก
- So
- ทางออก
- โซลูชัน
- แก้
- บาง
- บางสิ่งบางอย่าง
- ภาคใต้
- ฟลอริด้าใต้
- ผู้เชี่ยวชาญ
- เฉพาะ
- โดยเฉพาะ
- การใช้จ่าย
- กีฬา
- ขั้นตอน
- ผู้ถือเงินเดิมพัน
- ผู้มีส่วนได้เสีย
- มาตรฐาน
- เริ่มต้น
- สถานะ
- ขั้นตอน
- ขั้นตอน
- ยังคง
- หยุด
- การเก็บรักษา
- จัดเก็บ
- ร้านค้า
- กลยุทธ์
- กลยุทธ์
- แข็งแรง
- โครงสร้าง
- โครงสร้าง
- สตูดิโอ
- ที่ประสบความสำเร็จ
- อย่างเช่น
- สูท
- สรุป
- จัดหาอุปกรณ์
- ห่วงโซ่อุปทาน
- การจัดการห่วงโซ่อุปทาน
- สนับสนุน
- ที่สนับสนุน
- แน่ใจ
- ประเทศสวิสเซอร์แลนด์
- ระบบ
- ตาราง
- ปรับปรุง
- ใช้เวลา
- การ
- เป้า
- ทีม
- ทีม
- วิชาการ
- เทคโนโลยี
- กลยุทธ์เทคโนโลยี
- เทมเพลต
- แม่แบบ
- ทดสอบ
- การทดสอบ
- ที่
- พื้นที่
- รัฐ
- ของพวกเขา
- พวกเขา
- แล้วก็
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- สิ่ง
- นี้
- เหล่านั้น
- ตลอด
- ตลอด
- เวลา
- ไปยัง
- เครื่องมือ
- ไปทาง
- หอคอย
- ลู่
- การติดตาม
- แบบดั้งเดิม
- รถไฟ
- การแปลง
- การขนส่ง
- การเดินทาง
- กลับ
- tv
- ชนิด
- ภายใต้
- เข้าใจ
- ไม่ยุติธรรม
- หน่วย
- มหาวิทยาลัย
- us
- การใช้
- ใช้
- ใช้กรณี
- มือสอง
- ผู้ใช้งาน
- ผู้ใช้
- ใช้
- การใช้
- นำไปใช้
- การตรวจสอบ
- ความคุ้มค่า
- ความหลากหลาย
- ต่างๆ
- แนวดิ่ง
- ผ่านทาง
- การละเมิด
- ความชัดเจน
- การสร้างภาพ
- เห็นภาพ
- เดิน
- ต้องการ
- ผู้สมัครที่รู้จักเรา
- ชม
- we
- เว็บ
- บริการเว็บ
- ดี
- เมื่อ
- ว่า
- ที่
- ในขณะที่
- จะ
- กับ
- ภายใน
- ไม่มี
- งาน
- ทำงาน
- ขั้นตอนการทำงาน
- การทำงาน
- ปี
- คุณ
- ของคุณ
- ลมทะเล