本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。 # 使用 Amazon SageMaker Assets 對資產進行控制式存取 使用 Amazon SageMaker Assets 為屬於您組織的*資產*、模型或資料表提供控制式和管制式存取。在 SageMaker Assets 中，來自不同 AWS 帳戶的使用者可以建立和共用與特定商務問題相關的資產，而無需額外的管理員負荷。使用者可以為他們用於作用中工作流程的資產提供許可，而不是將許可靜態綁定到其身分。 資產是 ML 資產或資料資產。ML 資產是指向 Amazon SageMaker Feature Store 特徵群組或 SageMaker 模型註冊庫模型群組的中繼資料。資料資產是指向 Amazon Redshift 資料表或 AWS Glue 資料表的中繼資料。 例如，模型群組的資產包含模型群組名稱和模型套件群組的 Amazon Resource Name (ARN)。資產指向模型的基礎集合。資產本身可以在使用者之間共用。 使用者可以為自己的專案建立資產。他們可讓不是這些專案成員的使用者看見這些資產。不是專案成員的使用者可以搜尋資產並讀取其中繼資料。他們可以使用中繼資料來判斷他們是否想要存取基礎資料來源。 為了更能了解 SageMaker Assets 工作流程，想像您的組織中有兩個使用者群組：群組 A 和群組 B。群組 A 中的使用者希望預測家庭價格。他們希望與群組 B 中位於不同 AWS 帳戶的使用者協作。它們將資料存放在 AWS Glue 資料表中。他們也將不同的模型儲存為模型群組內的模型套件。使用 SageMaker Assets，只要按幾下滑鼠，群組 A 中的使用者可以與群組 B 中的使用者共用 AWS Glue 資料表和模型套件。若沒有管理員介入，群組 A 中的使用者將精確限定範圍的許可提供給群組 B 中的使用者。 使用者可以建立資產並發佈它們，使其在整個組織中可見。其他使用者可以請求存取這些資產。 **Topics** + [設定 SageMaker 資產 (管理員指南)](sm-assets-set-up.md) + [使用資產 (使用者指南)](sm-assets-user-guide.md) # 設定 SageMaker 資產 (管理員指南) **重要** SageMaker Assets 僅適用於 Amazon SageMaker Studio。如果您使用的是 Amazon SageMaker Studio Classic，則必須遷移至 Studio。如需 Studio 和 Studio Classic 的詳細資訊，請參閱 [Amazon SageMaker AI 提供的機器學習環境](machine-learning-environments.md)。如需遷移的相關資訊，請參閱 [從 Amazon SageMaker Studio Classic 遷移](studio-updated-migrate.md)。 隨著業務需求的變化，您的使用者需要有效地協作，以解決出現的業務問題。若要解決這些問題，使用者必須彼此共用資料和模型。 SageMaker Assets 將 Amazon SageMaker Studio 與 Amazon DataZone (資料管理服務) 整合。SageMaker Assets 是一種平台，可協助您的使用者彼此共用模型和資料。您可以使用以下資訊來設定 SageMaker Assets 與 Amazon DataZone 之間的整合。 您可以為您的業務單位或組織建立 Amazon DataZone 網域。*網域*是 Amazon DataZone 的核心特徵。您所有使用者的資料和模型都存在於網域內。 在 Amazon DataZone 網域內，您的使用者子集會進行特定*專案*。專案通常對應至特定的業務問題。在專案內，成員可以建立資料集和模型。根據預設，專案成員只能存取專案內的資料和模型。他們可以將其資料和模型的存取權提供給組織內的其他使用者。 在專案內，您可以建立環境。具體來說，對於 SageMaker Assets，環境是用來啟動 Amazon SageMaker Studio 的已設定資源集合。如需 Amazon DataZone 中使用之術語的詳細資訊，請參閱[術語和概念](https://docs.aws.amazon.com/datazone/latest/userguide/datazone-concepts.html)。 **重要** 根據您選擇的設定，Amazon SageMaker Studio 會使用下列其中一項： Amazon DataZone 建立的 Amazon SageMaker AI 網域，作為 SageMaker AI 環境的一部分。 您遷移至 Amazon DataZone 的現有 Amazon SageMaker AI 網域 您可以從 Amazon SageMaker AI 網域存取 Studio，但我們建議您從已建立的專案存取。如需存取 Studio 的相關資訊，請參閱[使用資產 (使用者指南)](sm-assets-user-guide.md)。 ## 使用新的 SageMaker AI 網域設定 Amazon DataZone 使用下列清單中的步驟及其參考的文件，透過其建立的 Amazon SageMaker AI 網域來設定 Amazon DataZone。 1. 建立對應至使用者組織或業務單位的 Amazon DataZone 網域。如需建立 Amazon DataZone 網域的相關資訊，請參閱[建立網域](https://docs.aws.amazon.com/datazone/latest/userguide/create-domain.html)。 1. 在 Amazon DataZone 中啟用 SageMaker AI 藍圖。如需有關啟用 SageMaker AI 藍圖的資訊，請參閱[在擁有 Amazon DataZone 網域 AWS 的帳戶中啟用內建藍圖](https://docs.aws.amazon.com/datazone/latest/userguide/working-with-blueprints.html#enable-default-blueprints)。 1. 在網域內建立一個專案，其會對應至您網域中使用者正在解決的業務問題。如需建立專案的相關資訊，請參閱[建立新專案](https://docs.aws.amazon.com/datazone/latest/userguide/create-new-project.html)。 1. 建立一個環境設定檔，您可以用作範本，為您的使用者建立 SageMaker AI 環境。如需建立環境設定檔的相關資訊，請參閱[建立環境設定檔](https://docs.aws.amazon.com/datazone/latest/userguide/create-environment-profile.html)。 1. 建立 SageMaker AI 環境。在專案內，您的使用者會使用 SageMaker AI 環境來啟動 Amazon SageMaker Studio。在 Studio 內，他們可以建立資產並使用 SageMaker 資產來共用它們。如需建立環境的相關資訊，請參閱[建立新環境](https://docs.aws.amazon.com/datazone/latest/userguide/create-environment-profile.html)。 1. 新增 SageMaker AI 作為 Amazon DataZone 內信任的服務之一。若要新增 SageMaker AI 做為其中一個服務，請參閱[在擁有 Amazon DataZone 網域 AWS 的帳戶中新增 SageMaker AI 做為信任的服務](https://docs.aws.amazon.com/datazone/latest/userguide/working-with-blueprints.html#add-sagemaker-as-trusted-service)。 ## 使用 SageMaker AI 網域設定 Amazon DataZone 使用下列清單中的步驟及其參考的文件，搭配現有的 Amazon SageMaker AI 網域設定 Amazon DataZone。 1. 建立對應至使用者組織或業務單位的 Amazon DataZone 網域。如需建立 Amazon DataZone 網域的相關資訊，請參閱[建立網域](https://docs.aws.amazon.com/datazone/latest/userguide/create-domain.html)。 1. 在 Amazon DataZone 中啟用 SageMaker AI 藍圖。如需啟用自訂藍圖的相關資訊，請參閱 [Amazon DataZone 自訂 AWS 服務藍圖](https://docs.aws.amazon.com/datazone/latest/userguide/working-with-custom-blueprint.html)。 1. 在網域內建立一個專案，其會對應至您網域中使用者正在解決的業務問題。如需建立專案的相關資訊，請參閱[建立新專案](https://docs.aws.amazon.com/datazone/latest/userguide/create-new-project.html)。 1. 啟用 SageMaker AI 作為 Amazon DataZone 內信任的服務之一。若要啟用 SageMaker AI 做為其中一個服務，請參閱[在擁有 Amazon DataZone 網域的帳戶中新增 Amazon SageMaker AI 做為信任的服務 AWS DataZone](https://docs.aws.amazon.com/datazone/latest/userguide/working-with-blueprints.html#add-sagemaker-as-trusted-service)。 1. 在 SageMaker AI 網域內建立 Amazon DataZone 使用者。 1. 將現有使用者加入 Amazon DataZone 網域。 **注意** 如果您的 SageMaker AI 使用者是 SSO，而您的 Amazon DataZone 網域是 SSO，您可以自動將使用者從 Amazon SageMaker AI 網域對應到 Amazon DataZone 網域。 若要加入現有的 SageMaker AI 使用者，請在您的環境中執行 [Amazon DataZone Import SageMaker AI Domain](https://github.com/aws/amazon-sagemaker-examples/tree/default/%20%20%20ml_ops/sm-datazone_import) 指令碼。您必須將 的名稱 AWS 區域 和 Amazon SageMaker AI 網域 AWS 的帳戶 ID 做為引數傳遞。以下是執行指令碼的範例 AWS CLI 命令。 ``` python example-script AWS 區域 111122223333 ``` 指令碼會執行以下操作： 1. 要求您提供 Amazon SageMaker AI 網域 ID。 1. 要求您提供 Amazon DataZone 網域 ID。 1. 要求您提供 Amazon DataZone 專案。 1. 提示您指定要匯入的使用者。 1. 將標籤新增至您的使用者和 Amazon SageMaker AI 網域。 1. 將您的 Amazon DataZone 使用者對應至您的 SageMaker AI 使用者設定檔。對於每個 SageMaker AI 使用者設定檔，指令碼將會提示您輸入 Amazon DataZone 使用者 ID。您可以針對自己的使用案例修改指令碼。 1. 將聯合角色連接到環境，以便 Amazon DataZone 可以存取您的 Amazon SageMaker AI 網域並進行遷移。 指令碼會查閱 Amazon SageMaker AI 網域中的每個使用者，並提示您在 Amazon DataZone 網域中指定對應的使用者。它會自動將 Amazon DataZone 網域中使用者的標籤新增至對應 SageMaker AI 網域中的使用者。它也會使用每個網域中使用者之間的對應來更新自訂環境藍圖。 **注意** SageMaker AI 環境使用最新版本的 SageMaker Distribution 映像。SageMaker AI Distribution 映像具有適用於機器學習的熱門程式庫套件。如需詳細資訊，請參閱[SageMaker Studio 映像支援政策](sagemaker-distribution.md)。 建立環境之後，您可以建立 AWS Glue 和 Amazon Redshift 資料表和資料庫。如需詳細資訊，請參閱[查詢 Athena 或 Amazon Redshift 中的資料](https://docs.aws.amazon.com/datazone/latest/userguide/query-athena-with-deep-link-in-project.html)。 ## 檢視和修改使用者的許可 建立 SageMaker AI 環境後，您可以變更使用者的許可，以符合組織的需求。SageMaker AI 藍圖會為您的所有使用者指定許可。他們可以使用所有 SageMaker AI 服務執行動作，但許可的範圍會縮小至 Amazon DataZone 網域中建立的資源。 **重要** 您建立的環境會使用一個具有受限許可和許可界限的 IAM 角色。若要變更使用者的許可，您可以修改或取代許可界限。例如，如果您的使用者需要存取資源，例如已在環境內建立的 Amazon S3 儲存貯體，您可以變更許可界限。 您可以在用來建立 SageMaker AI 網域的 IAM 角色 ARN 中檢視許可。 使用下列程序來檢視或編輯使用者 IAM 角色的許可。 **檢視或編輯使用者的許可** 1. 開啟 [Amazon SageMaker AI 主控台](https://console.aws.amazon.com/sagemaker)。 1. 選擇**網域**。 1. 選擇與 Amazon DataZone 網域同名的網域名稱。 1. 選擇**網域設定**。 1. 在**執行角色**下，複製執行角色的 ARN。 1. 開啟 [IAM 主控台](https://console.aws.amazon.com/IAM)。 1. 選擇**角色**。 1. 貼上 ARN，並刪除最後一個正斜線後角色名稱以外的所有內容。 1. 選擇角色來檢視許可。 1. 在**許可**下，修改政策以符合組織的需求。 1. (選用) 選取**許可界限**，然後選擇**設定許可界限**。 1. 選取要設定為許可界限的政策。 # 使用資產 (使用者指南) 使用 SageMaker Assets 與您組織中的其他個人無縫協作機器學習專案。使用 SageMaker Assets，您和您的協作者會建立模型和資料表，並彼此共用。在 SageMaker Assets 內，這些模型和資料表稱為*資產*。 SageMaker Assets 是 Amazon SageMaker Studio 內的特徵。您或您的管理員會在 Amazon DataZone 專案內建立 Studio 環境。如需設定 Amazon DataZone 的詳細資訊，請參閱[設定 SageMaker 資產 (管理員指南)](sm-assets-set-up.md)。 資產是 ML 資產或資料資產。ML 資產是指向下列項目的中繼資料： + 特徵存放區特徵群組 + SageMaker AI 模型群組 基礎模型群組和特徵群組是資料來源。如果您更新特徵群組或模型群組，則模型群組或特徵群組的資產會在當天更新。 資料資產是指向下列項目的中繼資料： + Amazon Redshift 資料表 + AWS Glue 資料表 對於資料資產，資料來源是將中繼資料從 AWS Glue 資料表和 Amazon Redshift 資料表提取到資產的機制。例如，資料來源會從 AWS Glue 資料表將中繼資料提取至該資料表的資產。 您可以發佈資產，讓組織中的每個人都能看見該資產。個人可以檢閱資產中的中繼資料並請求存取。如果您提供存取權，他們可以存取資料或資料表的基礎機器學習來源。 您的管理員可能已授予您特徵群組、模型群組和資料表的存取權。如果沒有，請參閱[設定 SageMaker 資產 (管理員指南)](sm-assets-set-up.md) 中的資訊以協助您開始使用。 下列各節提供特徵群組和模型群組的參考資訊。 ## 特徵群組 Amazon SageMaker Feature Store 會提供集中位置，協助您存放和管理特徵。它是一個高效能儲存庫，您可以將其用於特徵工程。 在特徵存放區內，特徵會存放在特徵群組中。特徵群組是與您正在處理的專案相關的特徵集合。例如，如果您正在處理與預測房價相關的專案，特徵群組可能包含位置或臥室數量等特徵。 如需如何使用特徵群組來簡化特徵工程程序的詳細資訊，請參閱[使用 Feature Store 建立、存放和共用功能](feature-store.md)。 ## 模型群組 您可以使用 SageMaker 模型註冊庫內的 SageMaker AI 模型群組，來組織和管理不同版本的模型。您可以比較不同版本的模型，以查看哪個模型的執行效果最適合您的使用案例。若要取得 SageMaker 模型註冊庫的詳細資訊，請參閱[使用模型註冊庫進行模型註冊部署](model-registry.md)。 以下是 Amazon Redshift 和 AWS Glue的背景資訊。 Amazon Redshift 是一種大規模資料倉儲服務，可對大型資料集提供快速查詢效能。如需 Amazon Redshift 的詳細資訊，請參閱 [Amazon Redshift Serverless](https://docs.aws.amazon.com/redshift/latest/gsg/new-user-serverless.html)。 AWS Glue 是一種擷取、轉換、載入 (ETL) 服務，可用來簡化資料準備的程序。如需 的詳細資訊 AWS Glue，請參閱[什麼是 AWS Glue？](https://docs.aws.amazon.com/glue/latest/dg/what-is-glue.html) 您可以使用 SQL 編輯器來連接 AWS Glue 和 Amazon Redshift 資料庫並執行查詢。您可以在 SageMaker Assets 內共用您在編輯器中建立的任何資料表。如需詳細資訊，請參閱[在 Studio 中使用 SQL 進行資料準備](sagemaker-sql-extension.md)。 **Topics** + [術語與概念](#sm-assets-terminology) + [步驟 1：存取 SageMaker Assets](#sm-assets-access) + [步驟 2：共用資產和管理對資產的存取](#sm-assets-share) + [步驟 3：管理存取請求](#sm-assets-manage-requests) + [步驟 4：尋找資產並請求存取它們](#sm-assets-request-access) + [步驟 5：在機器學習工作流程中使用共用資產](#sm-assets-consume) ## 術語與概念 在您開始使用 SageMaker Assets 之前，熟悉以下術語和概念會很有幫助： + 資產 - 指向您正在共用的模型或資料表的中繼資料。您可以請求存取其他人擁有的資產，或與其他人共用您的資產。您和您的團隊成員會存取資產，以及與其相關聯的基礎資料表或模型。 + 已訂閱資產 - 若要請求存取資產，請提交訂閱請求。如果您的請求獲得核准，則資產會出現在您訂閱的資產下。 + 擁有的資產 - 您已與團隊成員共用的資產。 + 資產目錄 - 您在整個組織中共用的資產。 ## 步驟 1：存取 SageMaker Assets 存取 SageMaker Assets 以檢視您的資產並與他人共用它們。使用以下資訊，協助您開始使用它。 您可以從 Amazon DataZone 網域內的*專案*存取 SageMaker Assets。專案是您和團隊成員之間的協作。在專案內，您和專案的其他成員可以存取清查目錄內您和其他團隊成員建立的資產。您可以將資產發佈至已發佈的目錄，讓組織中的其他人員可以看到這些資產。 這些人員可以請求存取您的資產。如果您為他們提供存取權，他們就可以存取已更新的資料來源。例如，如果個人訂閱您更新的 AWS Glue 資料表，他們可以即時存取更新的 AWS Glue 資料表。 使用下列程序來存取 SageMaker Assets。 **存取 SageMaker Assets** 1. 開啟 [Amazon DataZone](https://console.aws.amazon.com/datazone) 主控台。 1. 選擇**檢視網域**。 1. 在包含您專案的網域旁邊，選擇**開啟資料入口網站**。 1. 在**分析工具**下，選擇 **SageMaker AI Studio**。 1. 選擇**開啟 Amazon SageMaker AI**。 1. 選擇 **Assets** (資產)。 與您共用的資產位於**已訂閱資產**下。您和專案成員建立的資產位於**擁有的資產**下。您和組織其他成員已發佈的資產位於**資產目錄**中。 ## 步驟 2：共用資產和管理對資產的存取 建立機器學習模型、特徵群組或資料表後，您可以讓與您在專案或組織中更廣泛地協作的個人看到它們。您可以回應存取資產的請求。如果您核准個人的請求，他們可以修改資產的基礎資料來源。 共用資產時，您有兩個選項： + 發佈至資產目錄 - 讓組織中的每個人都能看見資產 + 發佈至庫存 - 讓處理您專案的每個人都能看見資產 如果您已將資產發佈至資產目錄，您組織中的個人可以在資產目錄中找到它。他們可以檢視您資產的中繼資料，並決定是否要請求存取它們。如果您核准其請求，他們可以存取基礎資料來源。 如果您發佈到庫存，您和專案的其他成員可以存取資產，而無需任何其他動作。 發佈至庫存的資產只會出現在**擁有的資產**下。發佈至目錄的資產會出現在**擁有的資產**和**資產目錄**下。 當您發佈資料表時，必須建立資料來源，將中繼資料從基礎 AWS Glue 資料表或 Amazon Redshift 資料表提取至資產。使用下列程序發佈 AWS Glue 或 Amazon Redshift 資料表。 ------ #### [ Publish an AWS Glue table ] 若要發佈 AWS Glue 資料表的資產，請為其建立資料來源並進行發佈。資料來源是將中繼資料從 AWS Glue 資料表提取至資產的機制。 使用下列程序來發佈 AWS Glue 資料表。 **發佈 AWS Glue 資料表** 1. 導覽至 **SageMaker 資產**登陸頁面。 1. 選取**擁有的資產**。 1. 選擇**檢視資料來源**。 1. 選擇 **Create data source (建立資料來源)**。 1. 針對**名稱**，指定資料來源的名稱。 1. 針對**描述**，提供一個描述。 1. 針對**類型**，選取 **AWS Glue**。 1. 針對**資料選擇**，選取包含 AWS Glue 資料表的資料庫。 1. 針對**資料表選取條件**，指定資料表的名稱。 **注意** 即使您可以指定多個資料表，我們強烈建議您只提供一個資料表名稱。 1. 選擇**下一步**。 1. + 針對**將資產發佈至目錄**，選取**是**以發佈至資產目錄。 + 針對**將資產發佈至目錄**，選取**否**以發佈至資產目錄。 1. 選擇**下一步**。 1. 在**資產詳細資訊**下，選擇**按排程執行**或**隨需執行**，以確定來自 AWS Glue 資料表的中繼資料如何提取至資產。 1. (選用) 如果您選擇**依排程執行**，請指定將中繼資料提取至資產的排程。 1. 選擇**下一步**。 1. 選擇**建立**。 1. (選用) 如果您尚未建立排程，請選擇**執行**，將中繼資料從 AWS Glue 資料表帶入資產中。 ------ #### [ Publish an Amazon Redshift table ] 若要發佈 Amazon Redshift 資料表的資產，請為其建立資料來源並將其發佈。資料來源是將中繼資料從 Amazon Redshift 資料表提取至資產的機制。 使用下列程序發佈 Amazon Redshift 資料表。 **發佈 Amazon Redshift 資料表** 1. 導覽至 **SageMaker 資產**登陸頁面。 1. 選取**擁有的資產**。 1. 選擇**檢視資料來源**。 1. 選擇 **Create data source (建立資料來源)**。 1. 針對**名稱**，指定資料來源的名稱。 1. 針對**描述**，提供一個描述。 1. 針對**類型**，選取 **Amazon Redshift**。 1. + 選取 **Redshift 叢集**。 1. 針對 **Redshift 叢集**，指定包含資料表資料庫的 Amazon Redshift 叢集名稱。 1. 針對**機密**，指定包含叢集登入資料的 AWS Secrets Manager 機密名稱。 + 選取 **Redshift 無伺服器**。 1. 針對 **Redshift 工作群組**，指定包含資料表資料庫的 Amazon Redshift 工作群組名稱。 1. 針對**機密**，指定包含工作群組登入資料的 AWS Secrets Manager 機密名稱。 1. 針對**發佈來源選擇**，選取包含 Amazon Redshift 資料表的資料庫。 1. 針對**資料表選取條件**，指定資料表的名稱。 **注意** 即使您可以指定多個資料表，我們強烈建議您只提供一個資料表名稱。 1. 選擇**下一步**。 1. + 針對**將資產發佈至目錄**，選取**是**以發佈至資產目錄。 + 針對**將資產發佈至目錄**，選取**否**以發佈至資產目錄。 1. 選擇**下一步**。 1. 在**資產詳細資訊**下，選擇**按排程執行**或**隨需執行**，以確定如何將來自 Amazon Redshift 資料表的中繼資料提取至資產。 1. (選用) 如果您選擇**依排程執行**，請指定將中繼資料提取至資產的排程。 1. 選擇**下一步**。 1. 選擇**建立**。 1. (選用) 如果您尚未建立排程，請選擇**執行**，將中繼資料從 Amazon Redshift 資料表帶入資產中。 ------ 使用下列程序來發佈特徵群組或模型套件群組的資產。 ------ #### [ Publish a feature group ] 使用下列程序來導覽至您已建立的特徵群組，並將其發佈至您擁有的資產或資產目錄。 **將特徵群組發佈至您擁有的資產或資產目錄** 1. 在 Studio 中，選取左側導覽上的**資料**。 1. 選取您要發佈的特徵群組。 1. 選擇 ![\[\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/sm-assets-publish-icon.png) 圖示。 1. + 選取**發佈至資產目錄**以發佈至資產目錄。 + 選取**發佈至庫存**以發佈至群組擁有的資產。 ------ #### [ Publish a model group ] 使用下列程序來導覽至您已建立的模型群組，並將其發佈至您擁有的資產或資產目錄。 **將模型群組發佈至您擁有的資產或資產目錄** 1. 在 Studio 內，選取左側導覽上的**模型**。 1. 選取您要發佈的模型群組。 1. 選擇 ![\[\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/sm-assets-publish-icon.png) 圖示。 1. + 選取**發佈至資產目錄**以發佈至資產目錄。 + 選取**發佈至庫存**以發佈至群組擁有的資產。 ------ 使用下列程序，將資產從您擁有的資產發佈至資產目錄。 **從 SageMaker Assets 頁面發佈資產** 1. 在 Studio 內，導覽至**資產**。 1. 選取**擁有的資產**。 1. 在搜尋列中指定資產的名稱。 1. 選擇資產。 1. 選擇**發布**。 您可以使用下列 SageMaker Python SDK 程式碼來發佈特徵群組或模型套件群組。此程式碼假設您已建立特徵群組或模型套件群組。 ``` from sagemaker.asset import AssetManager publisher = AssetPublisher() publisher.publish_to_catalog(name-of-your-feature-group-or-model-package) ``` ## 步驟 3：管理存取請求 在您發佈了資產之後，專案以外的使用者可能會想要存取該資源。您可以提供、拒絕或撤銷存取請求。您也可以刪除資產，只讓基礎資料來源僅供您自己使用。 使用下列程序來回應訂閱請求。 **核准訂閱請求** 1. 導覽至 **SageMaker Assets** 頁面。 1. 選擇**管理資產**。 1. 選取**傳入訂閱請求**。 1. + (選用) 選擇**核准**並提供原因。 + (選用) 選擇**拒絕**。 您可以撤銷對先前所核准資產的存取。如果您選擇撤銷存取，使用者將無法存取資產和基礎資產。請使用下列程序來撤銷存取。 **撤銷存取** 1. 導覽至 **SageMaker Assets** 頁面。 1. 選擇**管理資產**。 1. 選取**傳入訂閱請求**。 1. 選取**已核准**索引標籤。 1. 選擇資產旁邊的**撤銷**。 您也可以取消發佈資產，使其僅顯示為擁有的資產。資產不會顯示在資源目錄中，但您已核准其訂閱請求的個人仍然可以存取它們。 **取消發佈資產** 1. 導覽至 **SageMaker Assets** 頁面。 1. 在**擁有的資產**下，選取您要取消發佈的資產。 1. 選擇 **Unpublish** (取消發佈)。 您也可以從取消發佈資產的相同頁面刪除資產。刪除資產不會刪除資料來源。資產刪除只會讓專案或組織的其他成員看不到資產。 ## 步驟 4：尋找資產並請求存取它們 您可以請求存取其他使用者已發佈至資源目錄的資產。如果他們核准訂閱請求，您可以存取基礎資料來源。 在 SageMaker Assets 頁面頂端，您可以指定搜尋查詢，以尋找組織中其他使用者已發佈的資產。您也可以選取資產類型，以檢視該類型的所有已發佈資產。例如，您可以選取 **Glue 資料表**以檢視所有已發佈的 AWS Glue 。資料表。 您也可以直接在資產的名稱下檢視資產類型。以下是資產類型的可用名稱： + Redshift 資料表 + Glue 資料表 +   模型 + 特徵群組 **注意** 下列存放區中的特徵群組具有 **Glue 資料表**的類型： 離線 離線和線上 **提出訂閱請求** 1. 導覽至 **SageMaker Assets** 頁面。 1. + 在搜尋列中，指定資產的名稱，然後選擇**搜尋**。 + 針對**類型**，選取資產類型，並在資源目錄中尋找您要存取的資產。 1. 選擇資產。 1. 選擇 **Subscribe (訂閱)**。 1. 提供請求的原因。 1. 選擇**提交**。 您的訂閱請求會出現在**管理資產請求**下的**傳出訂閱請求**下。如果資產的發布者核准您的請求，它會顯示在**已訂閱資產**下。您現在可以在機器學習工作流程中使用 Amazon Redshift、 AWS Glue 資料表或 ML 資料來源。 ## 步驟 5：在機器學習工作流程中使用共用資產 如果您的資產訂閱請求獲得核准，您可以在機器學習工作流程中使用該資產。 您獲得存取權的特徵群組會出現在 Studio 的特徵群組清單中。 您獲得存取權的模型群組會出現在 Studio 的模型群組清單中。您可以從 SageMaker Assets 開啟模型註冊庫中您的模型群組。使用下列程序在模型註冊庫內開啟模型群組。**已訂閱資產**。 **從 SageMaker Assets 開啟模型群組** 1. 選取模型群組。 1. 選擇**在模型註冊庫中開啟**。 您可以在 SageMaker Canvas 中的 Data Wrangler 中存取 AWS Glue 或 Amazon Redshift 資料表。SageMaker Canvas 是一種應用程式，可讓您執行探索性資料分析 (EDA) 並訓練模型，無需程式碼。如需 SageMaker Canvas 的詳細資訊，請參閱 [Amazon SageMaker Canvas](canvas.md)。 您也可以使用 SQL 擴充功能，將來自 AWS Glue 或 Amazon Redshift 資料表的資料帶入 Jupyter 筆記本。您可以將資料轉換為適用於機器學習工作流程的 pandas 資料框架。如需詳細資訊，請參閱[在 Studio 中使用 SQL 進行資料準備](sagemaker-sql-extension.md)。