AWS Clean Rooms รองรับการฝึกแบบเพิ่มทีละน้อยและการฝึกแบบกระจายสำหรับโมเดลแบบกำหนดเอง
ตอนนี้ AWS Clean Rooms รองรับการปรับปรุงความสามารถด้านแมชชีนเลิร์นนิงสองอย่าง เพื่อช่วยให้คุณฝึกโมเดลได้อย่างมีประสิทธิภาพและในขนาดใหญ่ขึ้น เพื่อสร้างข้อมูลคาดการณ์ในความร่วมมือบน Clean Rooms การฝึกแบบเพิ่มทีละน้อย (Incremental training) ช่วยให้คุณสร้างโมเดลใหม่ต่อยอดจากอาร์ทิแฟกต์ของโมเดลเดิม และการฝึกแบบกระจาย (Distributed training) ช่วยให้คุณฝึกโมเดลข้ามหลายอินสแตนซ์ประมวลผลพร้อมกัน ความสามารถเหล่านี้ช่วยให้นักวิทยาศาสตร์ข้อมูลและผู้ปฏิบัติงาน ML เร่งกระบวนการทำงานร่วมกันและวิเคราะห์ข้อมูลได้รวดเร็วขึ้น โดยยังคงรักษาความเป็นส่วนตัวของชุดข้อมูลฝึก
AWS Clean Rooms ML โมเดลแบบกำหนดเอง (custom modeling) ช่วยให้คุณและพาร์ตเนอร์สามารถฝึกและประมวลผลโมเดล ML แบบกำหนดเองโดยใช้ชุดข้อมูลรวมในขนาดใหญ่ โดยไม่ต้องแชร์ทรัพย์สินทางปัญญาที่เป็นความลับ ด้วยการฝึกแบบเพิ่มทีละน้อย คุณสามารถใช้โมเดลที่ฝึกไว้แล้วสร้างโมเดลใหม่ในเวอร์ชันต่าง ๆ จากชุดข้อมูลที่ขยายขึ้น ลดเวลาในการฝึกและทรัพยากรประมวลผลได้อย่างมาก นอกจากนี้ การฝึกแบบกระจายยังช่วยให้คุณประมวลผลชุดข้อมูลขนาดใหญ่ได้อย่างมีประสิทธิภาพ โดยแจกจ่ายเวิร์กโหลดการฝึกไปยังหลายอินสแตนซ์
AWS Clean Rooms ML ช่วยให้คุณและพาร์ตเนอร์ใช้การควบคุมเพื่อเพิ่มความเป็นส่วนตัว ปกป้องข้อมูลที่เป็นกรรมสิทธิ์และโมเดล ML ขณะสร้างข้อมูลคาดการณ์ โดยไม่ต้องแชร์หรือคัดลอกข้อมูลดิบหรือโมเดลของกันและกัน ดูข้อมูลเพิ่มเติมเกี่ยวกับ Region ที่มี AWS Clean Rooms ML ได้ในตาราง AWS Region หากต้องการเรียนรู้เพิ่มเติม เยี่ยมชม AWS Clean Rooms ML