View a markdown version of this page

Verknüpfung des konfigurierten Modellalgorithmus in AWS Clean Rooms ML - AWS Clean Rooms

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Verknüpfung des konfigurierten Modellalgorithmus in AWS Clean Rooms ML

Nachdem Sie den Modellalgorithmus konfiguriert haben, können Sie den Modellalgorithmus einer Kollaboration zuordnen. Durch das Zuordnen eines Modellalgorithmus wird der Modellalgorithmus allen Mitgliedern der Kollaboration zur Verfügung gestellt.

Die folgende Abbildung zeigt das Zuordnen des konfigurierten Modellalgorithmus als letzten Schritt nach der Erstellung des Container-Training-Images und der Konfiguration eines Modellalgorithmus.

Ein Überblick darüber, wie Sie ein benutzerdefiniertes ML-Modell beitragen können.
Console
Anmerkung

Nachdem der Modellalgorithmus verknüpft wurde, kann er nicht mehr bearbeitet werden. Um Änderungen vorzunehmen, können Sie den zugehörigen Modellalgorithmus löschen und ihm einen neuen zuordnen.

Um einen benutzerdefinierten ML-Modellalgorithmus (Konsole) zuzuordnen

  1. Melden Sie sich bei der an AWS-Managementkonsole und öffnen Sie die AWS Clean Rooms Konsole unter https://console.aws.amazon.com/cleanrooms.

  2. Wählen Sie im linken Navigationsbereich Benutzerdefinierte ML-Modelle aus.

  3. Wählen Sie auf der Seite Benutzerdefinierte ML-Modelle den konfigurierten Modellalgorithmus aus, den Sie einer Kollaboration zuordnen möchten, und wählen Sie dann Mit Kollaboration verknüpfen aus.

  4. Wählen Sie im Fenster Konfigurierten Modellalgorithmus zuordnen die Kollaboration aus, der Sie zuordnen möchten.

  5. Wählen Sie Zusammenarbeit auswählen aus.

  6. Geben Sie auf der Seite „Modellalgorithmus zuordnen“ für Details zur Zuordnung des Modellalgorithmus einen Namen und optional eine Beschreibung ein.

  7. Wählen Sie für Modellalgorithmus einen konfigurierten Modellalgorithmus aus.

  8. Für Datenschutzkonfigurationen für den Export von trainierten Modellen

    1. Um Modelldateien zu exportieren, aktivieren Sie das Kontrollkästchen Modelldateien.

    2. Um Ausgabedateien zu exportieren, aktivieren Sie das Kontrollkästchen Ausgabedateien.

    3. Geben Sie einen Wert für die maximale Größe für die exportierten Daten ein. Der Wert muss zwischen 0,01 und 10 liegen.

  9. (Optional) Wenn Sie entweder vollständige Fehlerprotokolle oder kürzere Fehlerzusammenfassungen an Mitglieder senden möchten, klicken Sie unter Konfiguration des Job-Datenschutzes auf trainierter Modellinferenz

    1. Wählen Sie unter Vollständige Protokolle eine oder mehrere Konto-IDs aus der Dropdownliste aus.

    2. (Optional) Wenn Sie Protokolle senden möchten, die einem Filtermuster entsprechen, geben Sie ein Filtermuster ein.

    3. (Optional) Wenn Sie ein weiteres Konto und ein optionales Filtermuster hinzufügen möchten, wählen Sie Protokollrichtlinie hinzufügen.

    4. Wählen Sie unter Fehlerzusammenfassungen eine oder mehrere Konto-IDs aus der Dropdownliste aus.

    5. (Optional) Wählen Sie eine oder mehrere Entitäten zum Schwärzen aus, um festzulegen, welche Entitäten aus dem Fehlerprotokoll oder den Fehlerzusammenfassungen redigiert werden.

      • PII — Personenbezogene Daten redigieren

      • Zahlen — Zahlen redigieren

      • Benutzerdefiniert — Schwärzen auf der Grundlage des benutzerdefinierten Schwärzungsmusters

      1. Wenn Sie im vorherigen Schritt Benutzerdefiniert ausgewählt haben, geben Sie ein benutzerdefiniertes Schwärzungsmuster ein. Dadurch werden Informationen protokolliert, die diesem Muster entsprechen.

      2. (Optional) Wenn Sie ein weiteres benutzerdefiniertes Schwärzungsmuster hinzufügen möchten, wählen Sie Weiteres benutzerdefiniertes Muster hinzufügen.

  10. (Optional) Wenn Sie trainierte Modellmetriken konfigurieren möchten, wählen Sie unter Konfiguration trainierter Modellmetriken einen Geräuschpegel aus der Dropdownliste aus.

    Sie können „Kein“, „Niedrig“, „Mittel“ und „Hoch“ wählen.

  11. (Optional) Wenn Sie die maximale Artefaktgröße festlegen möchten, geben Sie unter Artefaktkonfiguration den Wert Max. Artefaktgröße ein. Der Wert muss zwischen 0,01 und 10 liegen.

  12. (Optional) Wenn Sie Tags aktivieren möchten, wählen Sie Neues Tag hinzufügen und geben Sie dann das Schlüssel-Wert-Paar ein.

  13. Wählen Sie Associate aus.

API

Um einen benutzerdefinierten ML-Modellalgorithmus (API) zuzuordnen

Führen Sie den folgenden Code mit Ihren spezifischen Parametern aus.

Sie stellen auch eine Datenschutzrichtlinie bereit, die festlegt, wer Zugriff auf die verschiedenen Logs hat, es Kunden ermöglicht, Regex zu definieren und wie viele Daten aus den Trainingsmodellausgaben oder Inferenzergebnissen exportiert werden können.

Anmerkung

Die Zuordnungen konfigurierter Modellalgorithmen sind unveränderlich.

import boto3 
acr_ml_client= boto3.client('cleanroomsml')

acr_ml_client.create_configured_model_algorithm_association(
    name='configured_model_algorithm_association_name',
    description='purpose of the association',
    configuredModelAlgorithmArn='arn:aws:cleanrooms-ml:region:account:membership/membershipIdentifier/configured-model-algorithm/identifier',
    privacyConfiguration={
        "policies": {
            "trainedModelExports": {
                "filesToExport": ['files to export'],
                "containerLogs": [
                    {
                        "allowedAccountIds": ['member_account_id'],
                        "filterPattern": ['filter pattern'],
                        "logRedactionConfiguration": {
                            "entitiesToRedact": [
                                'ALL_PERSONALLY_IDENTIFIABLE_INFORMATION',
                                'NUMBERS',
                                'CUSTOM'
                            ],
                            "customEntityConfig": {
                                "customDataIdentifiers": [
                                    'custom_regex_1',
                                    'custom_regex_2'
                                ] 
                            } 
                        } 
                    }
                ],
                "containerMetrics": {
                    "noiseLevel": 'noise value'
                },
                "maxArtifactSize": {
                    "unit": 'unit',
                    "value": 'number'
                }
            },
            "trainedModelInferenceJobs": {
                "containerLogs": [
                    {
                        "allowedAccountIds": ['member_account_id'],
                        "filterPattern": ['filter pattern'],     
                        "logRedactionConfiguration": {
                            "entitiesToRedact": [
                                'ALL_PERSONALLY_IDENTIFIABLE_INFORMATION',
                                'NUMBERS',
                                'CUSTOM'
                            ],
                            "customEntityConfig": {
                                "customDataIdentifiers": [
                                    'custom_regex_1',
                                    'custom_regex_2'
                                ] 
                            }
                        }
                    }
                ],
                "maxOutputSize": {
                    "unit": 'unit',
                    "value": 'number'
                }
            }
        }
    },
    tags={
        'tag': 'tag'
    }
)

Nachdem der konfigurierte Modellalgorithmus der Kollaboration zugeordnet wurde, müssen die Anbieter von Trainingsdaten ihrer Tabelle eine Regel für die Kollaborationsanalyse hinzufügen. Diese Regel ermöglicht der konfigurierten Modellalgorithmus-Zuordnung den Zugriff auf ihre konfigurierte Tabelle. Alle Anbieter von Trainingsdaten, die dazu beitragen, müssen den folgenden Code ausführen:

import boto3 
acr_client= boto3.client('cleanrooms')

acr_client.create_configured_table_association_analysis_rule(
    membershipIdentifier= 'membership_id',
    configuredTableAssociationIdentifier= 'configured_table_association_id',
    analysisRuleType= 'CUSTOM',
    analysisRulePolicy = {
        'v1': {
            'custom': {
                'allowedAdditionalAnalyses': ['arn:aws:cleanrooms-ml:region:*:membership/*/configured-model-algorithm-association/*''],
                'allowedResultReceivers': []
            }
        }
    }
)
Anmerkung

Da die Zuordnungen konfigurierter Modellalgorithmen unveränderlich sind, empfehlen wir, dass Anbieter von Trainingsdaten, die Modelle zur Verwendung von Listenmodellen zulassen möchten, in den allowedAdditionalAnalyses ersten Iterationen der benutzerdefinierten Modellkonfiguration Platzhalter verwenden. Auf diese Weise können Modellanbieter an ihrem Code iterieren, ohne dass andere Schulungsanbieter die Zuordnung erneut vornehmen müssen, bevor sie ihren aktualisierten Modellcode mit Daten trainieren.