Introduktion

Slutförd

Maskininlärning kräver stora mängder data för att träna effektiva modeller. Vissa av dessa data kan innehålla personers eller företags känsliga information som måste skyddas för att förbli privat. Säkerhetsutmaningarna kring maskininlärning är inte bara begränsade till data, och konfigurationen av att skapa en säker arbetsmiljö kan vara svår. Azure Machine Learning (Azure ML) innehåller flera mekanismer som ger detaljerad kontroll över nätverksmiljön, resurser som används i den och de data som används. Lämpliga åtgärder kan skydda både från externa angripare och från interna problem som försumlighet eller omogna processer.

Många attacker i maskininlärningssystem inbegriper åtkomst till modeller via osäkra nätverk för att stjäla eller manipulera data för att påverka modellens prestanda och få åtkomst till känsliga data. Genom att skapa bättre och säkrare datalager för träning, låsa maskininlärningsplattformar och kontrollera åtkomsten till indata och utdata kan vi se till att data förblir skyddade. Dessa funktioner är användbara för dataexperter, administratörer och drifttekniker som vill skapa säkra konfigurationer som är kompatibla med deras företags principer.

Varning

I den här modulen får du en förståelse för de angreppsvektorer som du bör tänka på och de säkerhetsverktyg som är tillgängliga Azure Machine Learning, men det är inte en fullständig kurs inom säkerhet. Du bör läsa dokumentationen om Azure ML och arbeta med kvalificerade experter på molnsäkerhet innan du överväger att skydda din arkitektur.

Förutsättningar

  • Grundläggande kunskaper om Azure

Utbildningsmål

I den här modulen kommer du att:

  • Tillämpa och förstå Role-Based Access Control i Azure Machine Learning
  • Beskriva hur hemligheter hanteras i Azure Machine Learning
  • Använda en Azure Machine Learning arbetsyta med Azure Virtual Network