详细内容或原文请订阅后点击阅览
利用 Amazon SageMaker Feature Store 中的新功能加速 ML 功能管道
今天，我们宣布 SageMaker Python SDK v3.8.0 提供三项新功能。在这篇文章中，我们将通过可用于入门的代码示例来介绍每项功能。有关完整的端到端演练，请参阅 SageMaker Python SDK 存储库中有关 Lake Formation 治理和 Iceberg 表属性的随附笔记本。
来源:亚马逊云科技 _机器学习Amazon SageMaker Feature Store 是一个完全托管的专用存储库，用于存储、共享和管理机器学习 (ML) 模型的功能。它现在支持 Apache Iceberg 表格式、流式摄取、可扩展批量摄取以及通过 AWS Lake Formation 进行细粒度访问控制。
随着组织将机器学习平台从实验扩展到生产，两个运营挑战不断浮现。首先是保护对敏感功能数据的访问，而无需为每个新功能组引入手动开销。第二个是当高频流工作负载生成不断增长的 Apache Iceberg 元数据量时，保持存储成本可预测。例如，一个零售分析团队发现，他们基于 Apache Iceberg 的离线商店在不到一年的时间里积累了超过 50 TB 的元数据文件，导致大量且意外的 Amazon Simple Storage Service (Amazon S3) 费用。与此同时，各行业的基础设施团队告诉我们，他们需要对要素数据进行 Lake Formation 强制访问控制，该控制在要素组创建时自动运行。他们不希望它成为需要重复手动配置的事后想法。
今天，我们宣布 SageMaker Python SDK v3.8.0 中提供了三项新功能来应对这些挑战：
先决条件
要按照本文中的示例进行操作，您需要：