使用 Amazon SageMaker 進行 ML 管理

簡化存取控制並增強透明度

為什麼要進行 ML 管控

Amazon SageMaker AI 提供專用的管理工具來協助您負責任地執行 ML。透過 Amazon SageMaker Role Manager,管理員可在幾分鐘之內定義最小許可。Amazon SageMaker Model Cards 可以更輕鬆地儲存、擷取與共享從概念到部署的基本模型資訊,例如用途、風險評級和訓練詳細資訊。Amazon SageMaker Model Dashboard 會通知您單一位置的生產中模型行為。整合 Amazon SageMaker AI 與 Amazon DataZone,讓簡化 ML 和資料控管變得更輕鬆。

SageMaker ML 管控的優勢

在幾分鐘內佈建具備企業級安全控制的 ML 開發環境,管理對專案中的 ML 和資料資產的存取。
產生自訂角色,讓機器學習 (ML) 從業人員能夠更快地開始使用 SageMaker
簡化模型文件並提供從概念到部署的主要假設、特性和成品的可見性
透過統一檢視快速稽核所有模型、端點和模型監控任務的效能,並進行疑難排解。使用自動化提醒追蹤與預期模型行為的偏差,以及遺失或非作用中的監控任務

與 Amazon DataZone 整合

設定控制與佈建

IT 管理員可在 Amazon DataZone 中定義您的企業和使用案例特定的基礎設施控制與許可。然後,您只需點按幾下,即可建立適當的 SageMaker 環境,並在 SageMaker Studio 中啟動開發程序。

搜尋和探索資產

在 SageMaker Studio 中,您可有效地搜尋和探索組織企業型錄中的資料和 ML 資產。您還可透過訂閱,來請求存取您可能需要在專案中使用的資產。

搜尋和探索資產

取用資產

您的訂閱請求獲得核准後,即可使用 JupyterLab 和 SageMaker Canvas,在 ML 任務中取用這些訂閱的資產,例如 SageMaker Studio 內的資料準備、模型訓練和特徵工程等。

發佈資產

完成 ML 任務後,您可將資料、模型和特徵群組發佈到業務型錄,以便其他使用者進行控管和探索。

發佈資產