AWS Clean Rooms unterstützt inkrementelles und verteiltes Training für benutzerdefinierte Modellierungen
Zwei Machine-Learning-Funktionen von AWS Clean Rooms wurden verbessert, mit denen Sie Modelle effizienter und skalierbarer trainieren können, um Vorhersagen in einer Clean Rooms-Zusammenarbeit zu generieren. Inkrementelles Training ermöglicht es, auf vorhandenen Modellartefakten aufzubauen, um neue Modelle zu erstellen. Verteiltes Training ermöglicht es, Modelle auf mehreren Compute-Instances gleichzeitig zu trainieren. Diese Funktionen helfen Datenwissenschaftlern und ML-Nutzern, die Zusammenarbeit an Daten und deren Analyse zu beschleunigen und gleichzeitig die Vertraulichkeit der Trainingsdatensätze zu wahren.
Mit der benutzerdefinierten Modellierung von AWS Clean Rooms ML können Sie und Ihre Partner anhand eines benutzerdefinierten ML-Modells mithilfe kollektiver Datensätze in großem Maßstab Inferenzen trainieren und ausführen, ohne vertrauliches geistiges Eigentum teilen zu müssen. Mit inkrementellem Training können Sie zuvor trainierte Modelle nutzen, um mithilfe erweiterter Datensätze neue Varianten zu erstellen, wodurch die Trainingszeit und die Rechenressourcen erheblich reduziert werden. Darüber hinaus können Sie mit verteiltem Training umfangreiche Datensätze effizient verarbeiten, indem Sie den Trainingsaufwand auf mehrere Instances verteilen.
Mit AWS Clean Rooms ML können Sie und Ihre Partner datenschutzfreundliche Kontrollen anwenden, um Ihre firmeneigenen Daten und ML-Modelle zu schützen und gleichzeitig prädiktive Erkenntnisse zu generieren – und das alles, ohne die Rohdaten oder Modelle der anderen zu teilen oder zu kopieren. Weitere Informationen zu den AWS-Regionen, in denen AWS Clean Rooms ML verfügbar ist, finden Sie in der Tabelle der AWS-Regionen. Weitere Informationen finden Sie unter AWS Clean Rooms ML.