Amazon SageMaker 資料和 AI 控管常見問答集

下一代 Amazon SageMaker 簡化資料湖、AI 模型和應用程式中資料與 AI 的探索、管控和協作。藉助以 Amazon DataZone 為基礎建置的 Amazon SageMaker Catalog，使用者可以將生成式 AI 建置的中繼資料與語義搜尋搭配使用來安全地探索和存取已核准的資料和模型，或者您也可以使用自然語言要求 Q Developer 尋找您的資料。使用者可以使用 SageMaker Unified Studio (預覽版) 中具有集中精細存取控制項的單一許可模型來定義和強制執行存取政策。透過簡單的發佈和訂閱工作流程，針對資料和 AI 資產進行順暢的共用與協作。藉助 Amazon SageMaker，您可以使用 Amazon Bedrock 防護機制保障和保護自己的 AI 模型，以及實作負責任 AI 政策。透過資料品質監控與自動化、敏感資料偵測以及資料與 ML 歷程，培養組織範圍內的資料信任。

您可以透過 Amazon SageMaker Unified Studio (預覽版) 存取 SageMaker Catalog，前者是用於資料和 AI 開發的單一環境。為了以程式設計方式建立、設定或與現有流程整合，SageMaker Catalog 已發佈 API，隨附說明現有 Amazon DataZone API 使用方式的指南。

• 難以在團隊之間尋找和共用資料：資料生產者和取用者在整個組織中快速尋找和共用相關資料集時常面臨挑戰。這種低效率導致人員浪費大量時間搜索資料並限制協作。
• 對資料品質和 AI 模型輸出缺乏信任：由於缺乏對資料來源、品質和存取模式的瞭解，組織難以信任其資料的品質和 AI 模型輸出的準確性。
• 資料存取不一致及違反隱私權：組織難以強制執行一致的資料存取政策，導致人員可能未經授權存取敏感資訊。
• 難以維持法規和內部政策的合規性：由於缺少全面的稽核和監控工具，組織發現難以維持法規遵循和遵守內部政策。

Amazon SageMaker 中的資料和 AI 管控可協助資料團隊執行下列操作：

• 更快的資料探索和協作：使用者可以在整個組織中快速尋找和共用相關資料，從而縮短搜尋資訊所花費的時間，並且促進團隊合作。
• 透過歷程和品質提升信任感：追蹤資料來源並改善資料品質，以提高對資料驅動決策和 AI 模型輸出的信心。
• 增強資料和 AI 模型安全性：保護資料和模型僅可透過專案存取，確保僅限授權查看專案資產的人員存取，從而維護安全和隱私權標準。
• 降低業務風險和更妥善地遵循法規：日誌記錄活動可協助組織遵循業界法規和內部政策，有助於降低組織風險。

• 透過資產搜尋和探索來發揮企業生產力：搜尋和探索資料與 AI 資產，以此增強團隊能力、減少尋找關鍵資產所花費的時間並推動更快制定資料驅動決策。
• 集中式資料存取政策管理：從單一點定義和管理資料存取規則，從而在各種 AWS 服務和第三方環境中實現一致的應用程式。
• 利用業務內容和分類擴充資料：將中繼資料和分類新增至資料集，讓使用者可以更輕鬆地了解資料相關性和對特定業務需求的適用性。
• 記錄使用者和系統的活動：監控和記錄與資料和 AI 系統的互動，讓您深入了解用量模式和潛在的安全問題。
• AI/ML 資料管控實作：將資料管控原則延伸至 AI 和機器學習流程，確保模型訓練中僅使用核准的資料，並且 AI 系統遵守定義的許可和道德指南。

Amazon SageMaker Catalog 在 Amazon DataZone 的基礎上建置，可在統一的使用者體驗中提供相同的管控功能。Amazon DataZone 體驗繼續保持原狀，可讓現有的 Amazon DataZone 客戶在需要時繼續使用熟悉的介面。

定價詳細資訊可在如下網址找到：https://thinkwithwp.com/datazone/pricing/。