การกำกับดูแลข้อมูลและ AI ของ Amazon SageMaker

ค้นพบ กำกับดูแล และประสานการทำงานด้านข้อมูลและ AI อย่างปลอดภัย

ภาพรวม

Amazon SageMaker รุ่นใหม่ช่วยลดความยุ่งยากในการสำรวจ การกำกับดูแล และการทำงานร่วมกันสำหรับข้อมูลและ AI ใน Lakehouse โมเดล AI และแอปพลิเคชันของคุณ ด้วย Amazon SageMaker Catalog ซึ่งสร้างขึ้นจาก Amazon DataZone ผู้ใช้สามารถค้นพบและเข้าถึงข้อมูลและโมเดลที่ได้รับการอนุมัติได้อย่างปลอดภัยโดยใช้การค้นหาเชิงความหมายด้วยข้อมูลเมตาที่สร้างขึ้นโดย AI ช่วยสร้าง หรือคุณสามารถขอให้ Amazon Q Developer ด้วยภาษาธรรมชาติที่ค้นหาข้อมูลของคุณ ผู้ใช้สามารถกำหนดและบังคับใช้นโยบายการเข้าถึงได้อย่างสม่ำเสมอโดยใช้โมเดลการอนุญาตเพียงหนึ่งเดียว พร้อมการควบคุมการเข้าถึงแบบละเอียดใน Amazon SageMaker Unified Studio (แสดงตัวอย่าง) แชร์และทำงานร่วมกันกับข้อมูลและแอสเซท AI ได้อย่างราบรื่นผ่านเวิร์กโฟลว์การเผยแพร่และสมัครรับข้อมูลที่ง่ายดาย ด้วย SageMaker คุณสามารถปกป้องและคุ้มครองโมเดล AI ของคุณโดยใช้กฎควบคุมระบบ Amazon Bedrock และนำนโยบาย AI ที่มีความรับผิดชอบมาใช้ สร้างความไว้วางใจในองค์กรของคุณด้วยการตรวจสอบคุณภาพข้อมูลและระบบอัตโนมัติ การตรวจจับข้อมูลที่ละเอียดอ่อน ตลอดจนการติดตามที่มาของข้อมูลและแมชชีนเลิร์นนิง (ML)

ประโยชน์

คุณสมบัติ

ข้อมูลที่จัดสรรไว้สำหรับบริบทและความสามารถในการค้นหา

แคตตาล็อกจะนำบริบททางธุรกิจเข้าสู่ข้อมูลเมตาทางเทคนิคของคุณและช่วยให้คุณสามารถเสริมสร้างบริบททางธุรกิจได้ คุณสามารถทำให้ข้อมูลปรากฏพร้อมบริบททางธุรกิจเพื่อให้ผู้ใช้ทุกคนค้นหา ทำความเข้าใจ และเชื่อถือข้อมูลได้อย่างรวดเร็วและไม่ซับซ้อน

คำแนะนำสำหรับข้อมูลเมตาแบบอัตโนมัติ

เพิ่มคำอธิบายและชื่อธุรกิจลงในข้อมูลโดยอัตโนมัติ ซึ่งจะช่วยให้คุณสามารถเข้าใจบริบทได้อย่างง่ายดาย และช่วยให้คุณไม่ต้องจัดการกับชื่อทางเทคนิคที่เป็นความลับ ซึ่งระบบอัตโนมัตินี้ขับเคลื่อนโดยโมเดลภาษาขนาดใหญ่ (LLM) เพื่อช่วยเพิ่มความแม่นยำและความสม่ำเสมอ

สร้างระดับความปลอดภัยของ AI ที่สม่ำเสมอในทุกแอปพลิเคชันของคุณ

Amazon Bedrock Guardrails จะช่วยประเมินอินพุตของผู้ใช้และการตอบสนอง FM ตามนโยบายเฉพาะกรณีใช้งาน และให้ชั้นการป้องกันเพิ่มเติมโดยไม่คำนึงถึงโมเดลพื้นฐาน

ตรวจสอบและติดตามโมเดลได้อย่างรวดเร็ว

ตรวจสอบและแก้ไขปัญหาประสิทธิภาพอย่างรวดเร็วสำหรับโมเดล ตำแหน่งข้อมูล และงานเฝ้าสังเกตโมเดลทั้งหมดผ่านมุมมองแบบรวม ติดตามการเบี่ยงเบนจากพฤติกรรมของโมเดลที่คาดไว้ รวมถึงงานการเฝ้าสังเกตที่ขาดหายไปหรือไม่ได้ใช้งานด้วยการแจ้งเตือนอัตโนมัติ

คุณภาพข้อมูล

ผู้บริโภคข้อมูลสามารถใช้สถิติคุณภาพข้อมูลเพื่อดูเมตริกคุณภาพข้อมูลจากการตรวจคุณภาพข้อมูลของ AWS หรือระบบจากภายนอกได้ ผู้บริโภคข้อมูลสามารถไว้วางใจแหล่งที่มาของข้อมูลที่ใช้ในการตัดสินใจ และมีบริบทคุณภาพของข้อมูลขณะค้นหาสินทรัพย์ นอกจากนี้ ผู้ผลิตข้อมูลและทีมไอทีสามารถใช้ API เพื่อรวมสถิติคุณภาพข้อมูลจากระบบจากภายนอกเข้ากับพอร์ทัลที่ไม่ใช่คอนโซลแบบรวมศูนย์

ข้อมูลและเส้นทางขั้นตอนของข้อมูล ML

ทำความเข้าใจการย้ายข้อมูลเมื่อเวลาผ่านไป เส้นทางขั้นตอนของข้อมูลสามารถเพิ่มความเชื่อมั่นและการรู้เท่าทัน AI ขององค์กรได้โดยช่วยให้ผู้บริโภคข้อมูลเข้าใจว่าข้อมูลมาจากไหน มีการเปลี่ยนแปลง และการบริโภคอย่างไร คุณสามารถลดเวลาที่ใช้ในการแมปข้อมูลและแอสเซท AI พร้อมด้วยความสัมพันธ์ การแก้ไขปัญหาและการพัฒนาไปป์ไลน์ รวมถึงการยืนยันแนวทางปฏิบัติในการกำกับดูแลข้อมูลและ AI