فروشگاه ویژگی آمازون SageMaker یک مخزن کاملاً مدیریت شده و هدفمند برای ذخیره، اشتراک‌گذاری و مدیریت ویژگی‌های مدل‌های یادگیری ماشین (ML) است. امکانات ورودی های مدل های ML هستند که در طول آموزش و استنتاج استفاده می شوند. برای مثال، در برنامه‌ای که فهرست پخش موسیقی را توصیه می‌کند، ویژگی‌ها می‌توانند شامل رتبه‌بندی آهنگ، مدت زمان گوش دادن و جمعیت شنونده باشند. ویژگی ها به طور مکرر توسط چندین تیم استفاده می شوند و کیفیت ویژگی برای اطمینان از یک مدل بسیار دقیق بسیار مهم است. همچنین، هنگامی که ویژگی‌های مورد استفاده برای آموزش مدل‌های آفلاین به صورت دسته‌ای برای استنتاج بلادرنگ در دسترس قرار می‌گیرند، هماهنگ نگه‌داشتن دو فروشگاه ویژگی دشوار است. فروشگاه ویژگی SageMaker یک فروشگاه امن و یکپارچه برای پردازش، استانداردسازی و استفاده از ویژگی‌ها در مقیاس در طول چرخه عمر ML فراهم می‌کند.

فروشگاه ویژگی SageMaker اکنون اشتراک‌گذاری، کشف و دسترسی به گروه‌های ویژگی را در حساب‌های AWS آسان می‌کند. این قابلیت جدید همکاری را ارتقا می‌دهد و کار تکراری را برای تیم‌های درگیر در توسعه مدل ML و برنامه کاربردی، به‌ویژه در محیط‌های سازمانی با حساب‌های متعدد که واحدهای تجاری یا عملکردهای مختلف را در بر می‌گیرد، به حداقل می‌رساند.

با این راه‌اندازی، صاحبان حساب‌ها می‌توانند به گروه‌های ویژگی منتخب توسط حساب‌های دیگر دسترسی داشته باشند مدیریت دسترسی به منابع AWS (رم AWS). پس از اعطای دسترسی، کاربران آن حساب‌ها می‌توانند به راحتی همه گروه‌های ویژگی خود، از جمله گروه‌های مشترک، را از طریق مشاهده کنند. Amazon SageMaker Studio یا SDK ها این به تیم ها امکان می دهد تا ویژگی های توسعه یافته توسط تیم های دیگر را کشف و استفاده کنند و به اشتراک گذاری دانش و کارایی را تقویت کنند. علاوه بر این، جزئیات استفاده از منابع مشترک را می توان با نظارت کرد CloudWatch آمازون و AWS CloudTrail. برای غواصی عمیق رجوع کنید قابلیت شناسایی و دسترسی گروه ویژگی متقابل.

در این پست، چرایی و چگونگی یک فروشگاه ویژگی متمرکز با دسترسی بین حساب‌ها را مورد بحث قرار می‌دهیم. ما نحوه راه‌اندازی و اجرای یک نمونه نمایشی و همچنین مزایایی را که می‌توانید با استفاده از این قابلیت جدید در سازمان خود به دست آورید، نشان می‌دهیم.

چه کسی به فروشگاه ویژگی های متقابل نیاز دارد

سازمان‌ها برای ساختن مدل‌های ML دقیق باید ویژگی‌ها را در تیم‌ها به اشتراک بگذارند و در عین حال از دسترسی غیرمجاز به داده‌های حساس جلوگیری کنند. SageMaker Feature Store اکنون به اشتراک گذاری دقیق ویژگی ها در حساب ها از طریق RAM AWS اجازه می دهد تا توسعه مدل مشترک با حاکمیت را امکان پذیر کند.

SageMaker Feature Store ذخیره سازی و مدیریت هدفمندی را برای ویژگی های ML که در طول آموزش و استنباط استفاده می شود، فراهم می کند. با پشتیبانی بین حساب‌ها، اکنون می‌توانید ویژگی‌های ذخیره شده در یک حساب AWS را با سایر حساب‌های سازمان خود به اشتراک بگذارید.

به عنوان مثال، تیم تجزیه و تحلیل ممکن است ویژگی هایی مانند نمایه مشتری، تاریخچه تراکنش و کاتالوگ محصولات را در یک حساب مدیریت مرکزی مدیریت کند. توسعه دهندگان ML در بخش‌های دیگر مانند بازاریابی، کشف تقلب و غیره برای ساخت مدل‌ها باید به‌طور ایمن به این موارد دسترسی داشته باشند.

مزایای کلیدی اشتراک‌گذاری ویژگی‌های ML در حساب‌ها به شرح زیر است:

• ویژگی های سازگار و قابل استفاده مجدد - اشتراک گذاری متمرکز ویژگی های انتخاب شده با ارائه داده های ورودی ثابت برای آموزش، دقت مدل را بهبود می بخشد. تیم‌ها می‌توانند ویژگی‌های ایجاد شده توسط دیگران را به‌جای کپی کردن آن‌ها در هر حساب، کشف کرده و مستقیماً مصرف کنند.
• کنترل دسترسی گروه ویژگی - می‌توانید فقط به گروه‌های ویژگی خاص مورد نیاز برای موارد استفاده یک حساب دسترسی داشته باشید. برای مثال، تیم بازاریابی ممکن است فقط به گروه ویژگی های نمایه مشتری مورد نیاز برای مدل های توصیه دسترسی داشته باشد.
• همکاری بین تیم ها - ویژگی‌های مشترک به تیم‌های متفاوتی مانند تقلب، بازاریابی و فروش اجازه می‌دهد تا در ساخت مدل‌های ML با استفاده از داده‌های قابل اعتماد یکسان به جای ایجاد ویژگی‌های سیلد، همکاری کنند.
• دنباله حسابرسی برای انطباق – مدیران می‌توانند با استفاده از گزارش‌های رویداد CloudTrail، استفاده از ویژگی‌ها توسط همه حساب‌ها را به صورت متمرکز نظارت کنند. این یک مسیر حسابرسی مورد نیاز برای حاکمیت و انطباق را فراهم می کند.

جداسازی تولیدکنندگان از مصرف کنندگان در فروشگاه های ویژگی متقابل

در حوزه یادگیری ماشینی، فروشگاه ویژگی به عنوان یک پل بسیار مهم عمل می‌کند و کسانی که داده‌ها را تامین می‌کنند با کسانی که از آن استفاده می‌کنند متصل می‌کند. این دوگانگی را می توان به طور موثر با استفاده از راه اندازی حساب های متقابل برای فروشگاه ویژگی مدیریت کرد. بیایید این را با استفاده از شخصیت های زیر و یک قیاس دنیای واقعی ابهام کنیم:

• مهندسان داده و ML (صاحبان و تولیدکنندگان) - آنها با وارد کردن داده ها به فروشگاه ویژگی ها، زمینه را ایجاد می کنند
• دانشمندان داده (مصرف کنندگان) - آنها از این داده ها برای ساخت مدل های خود استفاده می کنند

مهندسان داده به عنوان معماران طرح اولیه را ترسیم می کنند. وظیفه آنها ایجاد و نظارت بر خطوط لوله داده کارآمد است. آنها با ترسیم داده ها از سیستم های منبع، ویژگی های داده خام را به ویژگی های قابل تشخیص تبدیل می کنند. به عنوان مثال "سن" را در نظر بگیرید. اگرچه صرفاً نشان‌دهنده فاصله بین اکنون و تاریخ تولد فرد است، ممکن است تفسیر آن در سازمان‌ها متفاوت باشد. اطمینان از کیفیت، یکنواختی و سازگاری در اینجا بسیار مهم است. هدف آنها این است که داده ها را به یک فروشگاه ویژگی متمرکز داده و آن را به عنوان نقطه مرجع بلامنازع معرفی کنند.

مهندسان ML این ویژگی‌های اساسی را اصلاح می‌کنند و آنها را برای جریان‌های کاری ML بالغ می‌سازند. در زمینه بانکداری، آنها ممکن است بینش های آماری را از مانده حساب ها، شناسایی روندها و الگوهای جریان استنتاج کنند. مانعی که اغلب با آن روبرو هستند، افزونگی است. مشاهده خطوط لوله ایجاد ویژگی های تکراری در طرح های متنوع ML معمول است.

دانشمندان داده را به‌عنوان سرآشپزهای لذیذ تصور کنید که به دنبال یک انباری مجهز هستند و به دنبال بهترین مواد برای شاهکار آشپزی بعدی خود هستند. زمان آنها باید صرف ساختن دستور العمل های داده های نوآورانه شود، نه در جمع آوری مجدد انبار. مانع در این مقطع، کشف داده های مناسب است. یک رابط کاربر پسند، مجهز به ابزارهای جستجوی کارآمد و توضیحات جامع ویژگی، ضروری است.

در اصل، راه‌اندازی فروشگاه ویژگی‌های متقابل به طور دقیق نقش تولیدکنندگان و مصرف‌کنندگان داده را تقسیم می‌کند و کارایی، وضوح و نوآوری را تضمین می‌کند. چه در حال گذاشتن شالوده و چه در بالای آن باشید، دانستن نقش و ابزار خود بسیار مهم است.

نمودار زیر دو تیم دانشمند داده متفاوت را نشان می دهد، از دو حساب مختلف AWS، که از یک فروشگاه ویژگی مرکزی یکسان استفاده می کنند تا بهترین ویژگی های مورد نیاز برای ساخت مدل های ML خود را انتخاب کنند. فروشگاه ویژگی مرکزی در حساب دیگری قرار دارد که توسط مهندسان داده و مهندسان ML مدیریت می‌شود، که معمولاً لایه حاکمیت داده و دریاچه داده در آن قرار دارند.

کنترل‌های گروه ویژگی بین حساب‌ها

با SageMaker Feature Store، می توانید منابع گروه ویژگی را در بین حساب ها به اشتراک بگذارید. حساب مالک منبع منابع را با حساب های مصرف کننده منبع به اشتراک می گذارد. دو دسته مجزا از مجوزهای مرتبط با اشتراک گذاری منابع وجود دارد:

• مجوزهای کشف - قابل کشف بودن به این معنی است که می توانید نام گروه ها و ابرداده ها را ببینید. وقتی مجوز قابلیت کشف را اعطا می‌کنید، همه موجودیت‌های گروه ویژگی در حسابی که از آن به اشتراک می‌گذارید (حساب مالک منبع) توسط حساب‌هایی که با آنها اشتراک‌گذاری می‌کنید (حساب‌های مصرف‌کننده منبع) قابل شناسایی می‌شوند. برای مثال، اگر حساب مالک منبع را توسط حساب مصرف کننده منبع قابل کشف کنید، آنگاه اصول حساب مصرف کننده منبع می توانند همه گروه های ویژگی موجود در حساب مالک منبع را ببینند. این مجوز با استفاده از نوع منبع کاتالوگ SageMaker به حساب های مصرف کننده منبع داده می شود.
• مجوزهای دسترسی - وقتی مجوز دسترسی را می دهید، این کار را در سطح منابع گروه ویژگی (نه در سطح حساب) انجام می دهید. این به شما کنترل دقیق تری بر روی اعطای دسترسی به داده ها می دهد. نوع مجوزهای دسترسی که می توانند اعطا شوند عبارتند از فقط خواندنی، خواندن/نوشتن و مدیریت. برای مثال، می‌توانید تنها گروه‌های ویژگی خاصی را از حساب مالک منبع انتخاب کنید تا با توجه به نیازهای کسب‌وکارتان، مدیران حساب مصرف‌کننده منبع در دسترس باشند. این مجوز با استفاده از نوع منبع گروه ویژگی و مشخص کردن موجودیت‌های گروه ویژگی به حساب‌های مصرف‌کننده منبع داده می‌شود.

نمودار مثال زیر به اشتراک گذاری نوع منبع کاتالوگ SageMaker را به تصویر می کشد که اجازه کشف پذیری را در مقابل اشتراک یک موجودیت نوع منبع گروه ویژگی با مجوزهای دسترسی می دهد. کاتالوگ SageMaker شامل تمام موجودیت های گروه ویژگی شماست. هنگامی که مجوز کشف پذیری اعطا می شود، حساب مصرف کننده منبع می تواند همه موجودیت های گروه ویژگی را در حساب مالک منبع جستجو و کشف کند. یک موجودیت گروه ویژگی حاوی داده‌های ML شما است. هنگامی که مجوز دسترسی داده می شود، حساب مصرف کننده منبع می تواند به داده های گروه ویژگی دسترسی داشته باشد، با دسترسی تعیین شده توسط مجوز دسترسی مربوطه.

بررسی اجمالی راه حل

مراحل زیر را برای اشتراک‌گذاری ایمن ویژگی‌ها بین حساب‌ها با استفاده از SageMaker Feature Store انجام دهید:

1. در حساب منبع (مالک)، مجموعه داده‌ها را مصرف کنید و ویژگی‌های عادی را آماده کنید. ویژگی های مرتبط را در گروه های منطقی به نام گروه های ویژگی سازماندهی کنید.
2. یک اشتراک منبع ایجاد کنید تا به گروه‌های ویژگی خاص دسترسی بین حساب‌ها بدهید. اقدامات مجاز مانند get و put را تعریف کنید و دسترسی را فقط به حساب های مجاز محدود کنید.
3. در حساب های هدف (مصرف کننده)، دعوت نامه AWS RAM را برای دسترسی به ویژگی های مشترک بپذیرید. برای درک مجوزهای داده شده، خط مشی دسترسی را مرور کنید.

توسعه دهندگان در حساب های هدف اکنون می توانند ویژگی های مشترک را با استفاده از SageMaker SDK بازیابی کنند، با داده های اضافی بپیوندند و از آنها برای آموزش مدل های ML استفاده کنند. حساب منبع می‌تواند دسترسی به ویژگی‌های مشترک همه حساب‌ها را با استفاده از گزارش‌های رویداد CloudTrail نظارت کند. گزارش‌های حسابرسی، دید متمرکزی را در استفاده از ویژگی‌ها فراهم می‌کنند.

با این مراحل، می‌توانید تیم‌ها را در سراسر سازمان خود فعال کنید تا به طور ایمن از ویژگی‌های ML مشترک برای توسعه مدل مشترک استفاده کنند.

پیش نیازها

ما فرض می‌کنیم که قبلاً گروه‌های ویژگی ایجاد کرده‌اید و ویژگی‌های مربوطه را در حساب مالک خود وارد کرده‌اید. برای اطلاعات بیشتر در مورد شروع به کار مراجعه کنید با Amazon SageMaker Feature Store شروع کنید.

اعطای مجوزهای شناسایی

ابتدا، نحوه اشتراک‌گذاری کاتالوگ فروشگاه ویژگی SageMaker خود را در حساب مالک نشان می‌دهیم. مراحل زیر را کامل کنید:

1. در حساب مالک کاتالوگ فروشگاه ویژگی SageMaker، کنسول RAM AWS را باز کنید.
2. تحت به اشتراک گذاشته شده توسط من در قسمت ناوبری، را انتخاب کنید سهام منابع.
3. را انتخاب کنید ایجاد اشتراک منابع.
4. نام اشتراک منبع را وارد کنید و انتخاب کنید کاتالوگ های منابع SageMaker به عنوان نوع منبع
   
5. را انتخاب کنید بعدی.
6. برای دسترسی فقط قابل شناسایی، وارد کنید AWSRAMPermissionSageMakerCatalogResourceSearch برای مجوزهای مدیریت شده.
   
7. را انتخاب کنید بعدی.
8. شناسه حساب مصرف کننده خود را وارد کرده و انتخاب کنید اضافه کردن. می توانید چندین حساب مصرف کننده اضافه کنید.
   
9. را انتخاب کنید بعدی و سهم منابع خود را تکمیل کنید.

اکنون کاتالوگ اشتراک‌گذاری شده فروشگاه ویژگی SageMaker باید در آن نشان داده شود سهام منابع احتمال برد مراجعه کنید.

با استفاده از این می توانید به همان نتیجه برسید رابط خط فرمان AWS (AWS CLI) با دستور زیر (منطقه AWS، شناسه حساب مالک و شناسه حساب مصرف کننده خود را ارائه دهید):

aws ram create-resource-share 
  --name MyCatalogFG 
  --resource-arns arn:aws:sagemaker:REGION:OWNERACCOUNTID:sagemaker-catalog/DefaultFeatureGroupCatalog 
  --principals CONSACCOUNTID 
  --permission-arns arn:aws:ram::aws:permission/AWSRAMPermissionSageMakerCatalogResourceSearch

دعوت اشتراک منبع را بپذیرید

برای پذیرش دعوت اشتراک منبع، مراحل زیر را انجام دهید:

1. در حساب هدف (مصرف کننده) کنسول RAM AWS را باز کنید.
2. تحت به اشتراک گذاشته شده با من در قسمت ناوبری، را انتخاب کنید سهام منابع.
3. سهم جدید منبع معلق را انتخاب کنید.
   
4. را انتخاب کنید اشتراک منابع را بپذیرید.
   

می توانید با استفاده از AWS CLI با دستور زیر به همان نتیجه برسید:

aws ram get-resource-share-invitations

از خروجی دستور قبلی، مقدار of را بازیابی کنید resourceShareInvitationArn و سپس با دستور زیر دعوت نامه را بپذیرید:

aws ram accept-resource-share-invitation 
--resource-share-invitation-arn RESOURCESHAREINVITATIONARN

گردش کار برای به اشتراک گذاری گروه های ویژگی با یک حساب دیگر از طریق RAM AWS یکسان است.

پس از به اشتراک گذاشتن برخی از گروه های ویژگی با حساب مورد نظر، می توانید فروشگاه ویژگی SageMaker را بررسی کنید، جایی که می توانید مشاهده کنید که کاتالوگ جدید در دسترس است.

اعطای مجوزهای دسترسی

با مجوزهای دسترسی، می‌توانیم مجوزهایی را در سطح منابع گروه ویژگی اعطا کنیم. مراحل زیر را کامل کنید:

1. در حساب مالک کاتالوگ فروشگاه ویژگی SageMaker، کنسول RAM AWS را باز کنید.
2. تحت به اشتراک گذاشته شده توسط من در قسمت ناوبری، را انتخاب کنید سهام منابع.
3. را انتخاب کنید ایجاد اشتراک منابع.
4. نام اشتراک منبع را وارد کنید و انتخاب کنید گروه های ویژگی SageMaker به عنوان نوع منبع
5. یک یا چند گروه ویژگی را برای اشتراک‌گذاری انتخاب کنید.
   
6. را انتخاب کنید بعدی.
7. برای دسترسی خواندن/نوشتن، وارد کنید AWSRAMPermissionSageMakerFeatureGroupReadWrite برای مجوزهای مدیریت شده.
   
8. را انتخاب کنید بعدی.
9. شناسه حساب مصرف کننده خود را وارد کرده و انتخاب کنید اضافه کردن. می توانید چندین حساب مصرف کننده اضافه کنید.
   
10. را انتخاب کنید بعدی و سهم منابع خود را تکمیل کنید.

اکنون کاتالوگ مشترک باید در صفحه نمایش داده شود سهام منابع احتمال برد مراجعه کنید.

می توانید با استفاده از AWS CLI با دستور زیر به همان نتیجه برسید (منطقه، شناسه حساب مالک، شناسه حساب مصرف کننده و نام گروه ویژگی را ارائه کنید):

aws ram create-resource-share 
  --name MyCatalogFG 
  --resource-arns arn:aws:sagemaker:REGION:OWNERACCOUNTID:feature-group/FEATUREGROUPNAME 
  --principals CONSACCOUNTID 
  --permission-arns arn:aws:ram::aws:permission/AWSRAMPermissionSageMakerFeatureGroupReadWrite

سه نوع دسترسی وجود دارد که می توانید به گروه های ویژگی بدهید:

• AWSRAMPermissionSageMakerFeatureGroupReadOnly - امتیاز فقط خواندنی به حساب های مصرف کننده منابع اجازه می دهد تا سوابق را در گروه های ویژگی مشترک بخوانند و جزئیات و ابرداده ها را مشاهده کنند.
• AWSRAMPermissionSageMakerFeatureGroupReadWrite - امتیاز خواندن/نوشتن به حساب‌های مصرف‌کننده منابع اجازه می‌دهد تا علاوه بر مجوزهای خواندن، سوابق را در گروه‌های ویژگی مشترک بنویسند و رکوردها را از آنها حذف کنند.
• AWSRAMPermissionSagemakerFeatureGroupAdmin - امتیاز مدیریت به حساب های مصرف کننده منابع اجازه می دهد تا توضیحات و پارامترهای ویژگی ها را در گروه های ویژگی مشترک به روز کنند و پیکربندی گروه های ویژگی مشترک را به روز کنند، علاوه بر مجوزهای خواندن/نوشتن.

دعوت اشتراک منبع را بپذیرید

برای پذیرش دعوت اشتراک منبع، مراحل زیر را انجام دهید:

1. در حساب هدف (مصرف کننده) کنسول RAM AWS را باز کنید.
2. تحت به اشتراک گذاشته شده با من در قسمت ناوبری، را انتخاب کنید سهام منابع.
3. سهم جدید منبع معلق را انتخاب کنید.
   
4. را انتخاب کنید اشتراک منابع را بپذیرید.

فرآیند پذیرش اشتراک منبع با استفاده از AWS CLI مانند بخش کشف پذیری قبلی است، با دستورات دریافت-منبع-اشتراک-دعوتنامه و پذیرش-منبع-اشتراک-دعوتنامه.

نمونه نوت بوک هایی که این قابلیت جدید را به نمایش می گذارند

دو نوت بوک به کارگاه فروشگاه ویژگی SageMaker اضافه شد مخزن GitHub در پوشه 09-module-security/09-03-cross-account-access:

• m9_03_nb1_cross-account-admin.ipynb - این باید در حساب AWS مدیر یا مالک شما راه اندازی شود
• m9_03_nb2_cross-account-consumer.ipynb - این باید در حساب AWS مصرف کننده شما راه اندازی شود

اسکریپت اول نشان می دهد که چگونه می توان سهم منبع شناسایی را برای گروه های ویژگی موجود در حساب مدیر یا مالک ایجاد کرد و با استفاده از API RAM AWS با یک حساب مصرف کننده دیگر به اشتراک گذاشت. create_resource_share(). همچنین نحوه اعطای مجوزهای دسترسی به گروه‌های ویژگی موجود در حساب مالک و اشتراک‌گذاری آن‌ها با یک حساب مصرف‌کننده دیگر با استفاده از RAM AWS را نشان می‌دهد. قبل از اجرای نوت بوک باید شناسه حساب AWS مصرف کننده خود را ارائه دهید.

اسکریپت دوم دعوت‌نامه‌های AWS RAM را برای کشف و دسترسی به گروه‌های ویژگی متقابل حساب از سطح مالک می‌پذیرد. سپس نشان می دهد که چگونه می توان گروه های ویژگی متقابل حساب را که در حساب مالک هستند کشف کرد و آنها را در حساب مصرف کننده فهرست کرد. همچنین می‌توانید نحوه دسترسی به گروه‌های قابلیت خواندن/نوشتن بین حساب‌های موجود در حساب مالک را مشاهده کنید و عملیات زیر را از حساب مصرف‌کننده انجام دهید: describe(), get_record(), ingest()و delete_record().

نتیجه

قابلیت SageMaker Feature Store دارای چندین مزیت قانع کننده است. اولا، با فعال کردن اشتراک‌گذاری گروه‌های ویژگی در چندین حساب AWS، همکاری یکپارچه را تسهیل می‌کند. این امر دسترسی و استفاده از داده‌ها را افزایش می‌دهد و به تیم‌ها در حساب‌های مختلف اجازه می‌دهد از ویژگی‌های مشترک برای گردش کار ML خود استفاده کنند.

علاوه بر این، قابلیت بین حساب‌ها، حاکمیت و امنیت داده‌ها را افزایش می‌دهد. با دسترسی و مجوزهای کنترل شده از طریق RAM AWS، سازمان ها می توانند یک فروشگاه ویژگی متمرکز داشته باشند و در عین حال اطمینان حاصل کنند که هر حساب دارای سطوح دسترسی مناسب است. این نه تنها مدیریت داده ها را ساده می کند، بلکه اقدامات امنیتی را با محدود کردن دسترسی به کاربران مجاز تقویت می کند.

علاوه بر این، توانایی به اشتراک گذاری گروه های ویژگی در بین حساب ها، فرآیند ساخت و استقرار مدل های ML را در یک محیط مشترک ساده می کند. این جریان کاری یکپارچه تر و کارآمدتر را تقویت می کند، افزونگی در ذخیره سازی داده ها را کاهش می دهد و ایجاد مدل های قوی با ویژگی های مشترک و با کیفیت بالا را تسهیل می کند. به طور کلی، قابلیت اشتراک اشتراکی Feature Store، همکاری، حاکمیت و کارایی را در توسعه ML در حساب‌های مختلف AWS بهینه می‌کند. آن را امتحان کنید و نظر خود را در نظرات با ما در میان بگذارید.

درباره نویسنده

ایوان کاتانا یک معمار ارشد راه حل های متخصص هوش مصنوعی و یادگیری ماشین در AWS است. او به مشتریان کمک می‌کند راه‌حل‌های ML خود را در AWS Cloud توسعه و مقیاس‌بندی کنند. Ioan بیش از 20 سال تجربه، عمدتا در طراحی معماری نرم افزار و مهندسی ابر دارد.

فیلیپ کایندل یک معمار ارشد هوش مصنوعی و راه حل های یادگیری ماشین در AWS است. با پیشینه ای در علم داده و مهندسی مکانیک، تمرکز او بر توانمندسازی مشتریان برای ایجاد تأثیر پایدار تجاری با کمک هوش مصنوعی است. خارج از محل کار، فیلیپ از کار کردن با پرینترهای سه بعدی، قایقرانی و پیاده روی لذت می برد.

داوال شاه یک معمار ارشد راه حل در AWS، متخصص در یادگیری ماشین است. او با تمرکز قوی بر کسب و کارهای بومی دیجیتال، مشتریان را قادر می سازد تا از AWS استفاده کنند و رشد کسب و کار خود را هدایت کنند. داوال به‌عنوان یک علاقه‌مند به ML، با اشتیاق خود برای ایجاد راه‌حل‌های تأثیرگذار که تغییرات مثبت را به همراه دارد، هدایت می‌شود. او در اوقات فراغت به عشق سفر می پردازد و لحظات باکیفیتی را در کنار خانواده اش رقم می زند.

میزانور رحمان یک مهندس نرم افزار ارشد برای فروشگاه ویژگی آمازون SageMaker با بیش از 10 سال تجربه عملی و متخصص در AI و ML است. او با پایه ای قوی در کاربردهای تئوری و عملی، دارای مدرک دکتری است. در تشخیص تقلب با استفاده از یادگیری ماشین، نشان دهنده تعهد او به پیشبرد این زمینه است. تخصص او طیف گسترده ای را شامل می شود که شامل معماری های مقیاس پذیر، محاسبات توزیع شده، تجزیه و تحلیل داده های بزرگ، خدمات خرد و زیرساخت های ابری برای سازمان ها می شود.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://aws.amazon.com/blogs/machine-learning/amazon-sagemaker-feature-store-now-supports-cross-account-sharing-discovery-and-access/