详细内容或原文请订阅后点击阅览
ZS 如何利用 Amazon SageMaker 实现安全临时分析的民主化
了解 ZS 如何构建安全强化的 Amazon SageMaker 平台，在开发人员敏捷性与医疗保健级治理之间取得平衡，为 200 多个 SageMaker 域中的 1,000 多名日常活跃用户提供服务。
来源:亚马逊云科技 _机器学习本博文由 ZS Associates 的 Kiran Dhamane、Abhishek I S 和 Mayur Ghodekar 共同撰写
受监管行业的组织面临着持续的压力：为开发人员提供临时分析所需的敏捷性，或锁定环境以满足合规性要求。在这篇文章中，我们将探讨 ZS 如何构建安全强化的 Amazon SageMaker 环境，以在开发人员敏捷性与严格治理之间取得平衡。该平台目前为 200 多个 SageMaker 域中的 1,000 多名日常活跃用户提供服务。我们将详细介绍整个组织中机器学习 (ML) 访问民主化的技术架构、自定义域实现以及可衡量的业务影响。
构建医疗保健级机器学习平台
ZS 选择 Amazon SageMaker Studio 作为企业 ML 操作的基础。该团队实施了一个全面的安全框架，将其独特的安全标准直接集成到开发人员体验中。这种方法让整个组织的数据科学家和分析师能够访问机器学习功能，同时保持符合医疗保健行业的要求。
该解决方案架构默认在无互联网模式下运行，部署无需直接访问互联网即可运行。Amazon Virtual Private Cloud (Amazon VPC) 终端节点提供与所需 AWS 服务的受控通信。对于包管理，ZS 将 JFrog Artifactory 与向上存储库链接和实时包扫描集成在一起，以防止未经授权或篡改的代码进入环境。
技术架构
该平台使用多租户架构，每个租户都有单独的 Amazon SageMaker 域。每个域都维护独立的 Amazon Elastic File System (Amazon EFS) 卷、不同的 AWS Identity and Access Management (IAM) 角色以及可控的网络设置。此设计提供强大的隔离，支持精细的成本跟踪和访问控制。
图 1：安全多租户 SageMaker Studio 域架构