Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Pemodelan kustom di AWS Clean Rooms MS
Dari sudut pandang teknis, diagram berikut menjelaskan cara kerja pemodelan ML kustom di AWS Clean Rooms.

Inilah cara kerja pemodelan ML kustom di Clean Rooms ML:
-
Konfigurasi Sumber Data
-
Sumber data dapat disimpan dalam katalog Amazon S3, di, atau AWS Glue Data Catalog Snowflake
-
AWS Glue Data Catalog digunakan untuk mengatur dan membuat katalog
-
Data dari beberapa Akun AWS dapat digunakan dalam kolaborasi yang sama
-
-
Kueri SQL dan Pemrosesan Data
-
Kueri SQL digunakan untuk mengakses dan memproses data sumber
-
Kueri berjalan dalam batas-batas AWS Clean Rooms kolaborasi
-
Umpan data yang diproses ke Saluran Input MLuntuk pelatihan model
-
-
Pengembangan Model ML
-
Kode sumber untuk model dapat dikembangkan menggunakan AWS Deep Learning Container Images
-
Gambar wadah khusus harus dibuat dan disimpan di Amazon Elastic Container Registry
-
-
Komponen Infrastruktur
-
Amazon Elastic Container Registry menyimpan dan mengelola wadah model ML
-
Pemrosesan ML terjadi dalam lingkungan AWS Clean Rooms kolaborasi yang aman
-
-
Pemantauan dan Pencatatan
-
Amazon CloudWatch menyediakan metrik dan log untuk kedua pihak yang berkolaborasi
-
Pemantauan tersedia di seluruh Akun AWS yang terlibat dalam kolaborasi
-
Metrik kinerja dan log operasional dapat diakses oleh pihak terkait
-
-
Manajemen Hasil
-
Akses ke hasil dikontrol sesuai dengan izin kolaborasi
-
Sebelum Anda memulai, lihat Prasyarat pemodelan HTML khusus dan Pedoman penulisan model untuk wadah pelatihan untuk informasi lebih lanjut.