View a markdown version of this page

Kollaboration in AWS Clean Rooms ML erstellen und ihr beitreten - AWS Clean Rooms
Aufbau einer Zusammenarbeit für maschinelles LernenEiner Kollaboration beitreten

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.

Kollaboration in AWS Clean Rooms ML erstellen und ihr beitreten

Der Ersteller der Kollaboration ist dafür verantwortlich, die Kollaboration zu erstellen, Mitglieder einzuladen und ihnen Rollen zuzuweisen. Die eingeladenen Mitglieder treten der Kollaboration bei und spezifizieren Ergebniseinstellungen, trainierte Modellartefakte, Zieleinstellungen und übernehmen Zahlungsverpflichtungen, je nachdem, wie die Zusammenarbeit eingerichtet ist.

Aufbau einer Zusammenarbeit für maschinelles Lernen

Das folgende Verfahren zeigt, wie Sie eine Kollaboration für maschinelles Lernen erstellen, ein oder mehrere Mitglieder einladen und Mitglieder zuweisen, die mit dem Modelltraining beginnen, Ergebnisse erhalten, trainierte Modellergebnisse, einschließlich Modellartefakte und Metriken, erhalten und Modellinferenzergebnisse erhalten können. Der Ersteller der Kollaboration weist außerdem ein Mitglied zu, das die Kosten für Abfrageberechnung, Modelltraining und Modellinferenz bezahlt.

Console
Um eine Kollaboration für maschinelles Lernen zu erstellen (Konsole)

  1. Erstellen Sie eine Kollaboration und laden Sie ein oder mehrere Mitglieder ein, der Kollaboration beizutreten

  2. Weisen Sie den folgenden Mitgliedern Analysefähigkeiten mithilfe von Abfragen und Aufträgen zu:

    • Weisen Sie dem Mitglied, das mit dem Modelltraining beginnen wird, Run-Abfragen zu.

    • Weisen Sie den Mitgliedern, die Abfrageergebnisse erhalten sollen, Ergebnisse aus Analysen empfangen zu.

  3. Weisen Sie den folgenden Mitgliedern Funktionen für die ML-Modellierung mithilfe speziell entwickelter Workflows zu:

    • Weisen Sie dem Mitglied, das die trainierten Modellergebnisse, einschließlich Modellartefakte und Metriken, erhält, die Funktion „Ausgabe von trainierten Modellen empfangen“ zu.

    • Weisen Sie dem Mitglied, das die Ergebnisse der Modellinferenz erhalten soll, die Funktion „Ausgabe aus Modellinferenz empfangen“ zu.

  4. Geben Sie unter Zahlung konfigurieren die Mitglieder an, die für die Abfrageberechnung, das Modelltraining, die Modellinferenz und die Generierung synthetischer Datensätze bezahlen.

    Ein synthetischer Datensatz hat ähnliche statistische Eigenschaften wie der ursprüngliche Datensatz, auf dem er basiert, enthält jedoch nicht die realen Beobachtungen, die im ursprünglichen Datensatz enthalten sind. Durch die Verwendung von synthetischen Datensätzen mit verstärktem Datenschutz können Sie neue Anwendungsfälle für das ML-Modelltraining erschließen, die zuvor aus Datenschutzgründen vermieden wurden. Weitere Informationen finden Sie unter Generierung synthetischer Daten. Privacy-enhanced

    Jede dieser Kosten kann demselben oder verschiedenen Mitgliedern zugewiesen werden. Wenn ein eingeladenes Mitglied das Mitglied ist, das für die Zahlung der Zahlungskosten verantwortlich ist, muss es seine Zahlungsverpflichtungen akzeptieren, bevor es der Zusammenarbeit beitritt.

  5. Bei der Configure-Mitgliedschaft kann der Ersteller der Kollaboration entscheiden, ob er der Mitgliedschaft jetzt beitreten oder später eine Mitgliedschaft erstellen möchte. Der Ersteller der Kollaboration muss dann die ML-Konfiguration einrichten.

    1. Wenn der Ersteller der Kollaboration auch der Ergebnisempfänger ist, muss er auch das Ziel und das Format der Abfrageergebnisse in den Standardeinstellungen der Ergebniseinstellungen angeben.

    2. Die ML-Konfiguration bietet Clean Rooms ML eine Rolle, um Metriken an AWS-Konto zu veröffentlichen. Wenn der Ersteller der Kollaboration auch trainierte Modellartefakte erhält, kann er den Amazon S3-Bucket angeben, der für den Empfang der Ergebnisse verwendet wird.

    3. Wählen Sie im Abschnitt ML-Konfigurationen die Option ML-Konfiguration erstellen aus und geben Sie dann das Modellausgabeziel auf Amazon S3 sowie die Servicezugriffsrolle an, die für den Zugriff auf diesen Speicherort erforderlich ist.

    4. Wenn der Ersteller der Kollaboration das Mitglied ist, das für die Zahlung der Zahlungskosten verantwortlich ist, muss er seine Zahlungsverpflichtungen akzeptieren, bevor er die Kollaboration erstellt.

API

Um eine Kollaboration für maschinelles Lernen (API) zu erstellen

  1. Erstellen Sie eine Kollaboration und laden Sie ein oder mehrere Mitglieder ein, der Kollaboration beizutreten

  2. Weisen Sie den Mitgliedern der Kollaboration die folgenden Rollen zu:

    • CAN_QUERY— wird dem Mitglied zugewiesen, das mit dem Modelltraining und der Inferenz beginnen wird.

    • CAN_RECEIVE_MODEL_OUTPUT- wird den Mitgliedern zugewiesen, die die Ergebnisse des trainierten Modells erhalten.

    • CAN_RECEIVE_INFERENCE_OUTPUT- wird den Mitgliedern zugewiesen, die die Ergebnisse der Modellinferenz erhalten werden.

    Wenn der Ersteller der Kollaboration auch der Empfänger der Ergebnisse ist, muss er bei der Erstellung der Kollaboration auch das Ziel und das Format der Abfrageergebnisse angeben. Sie weisen außerdem die Servicerolle Amazon Resource Name (ARN) zu, um die Ergebnisse in das Ziel der Abfrageergebnisse zu schreiben.

  3. Geben Sie die Mitglieder an, die die Kosten für die Berechnung der Abfragen, das Modelltraining und die Modellinferenz bezahlen. Jede dieser Kosten kann demselben oder verschiedenen Mitgliedern zugewiesen werden. Wenn ein eingeladenes Mitglied das Mitglied ist, das für die Zahlung der Zahlungskosten verantwortlich ist, muss es seine Zahlungsverpflichtungen akzeptieren, bevor es der Zusammenarbeit beitritt.

  4. Der folgende Code erstellt eine Kollaboration, lädt ein Mitglied ein, das Abfragen ausführen und Ergebnisse erhalten kann, und gibt den Ersteller der Kollaboration als Empfänger der Modellartefakte an.

    import boto3 
acr_client= boto3.client('cleanrooms')
 
collaboration = a_acr_client.create_collaboration(
    members=[
        {
         'accountId': 'invited_member_accountId',
         'memberAbilities':["CAN_QUERY","CAN_RECEIVE_RESULTS"],
         'displayName': 'member_display_name'
        }
    ],
    name='collaboration_name',
    description=collaboration_description,
    creatorMLMemberAbilities= {
        'customMLMemberAbilities':["CAN_RECEIVE_MODEL_OUTPUT", "CAN_RECEIVE_INFERENCE_OUTPUT"],
    },
    creatorDisplayName='creator_display_name',
    queryLogStatus="ENABLED",
    analyticsEngine="SPARK",
    creatorPaymentConfiguration={
        "queryCompute": {
            "isResponsible": True
        },
        "machineLearning": {
            "modelTraining": {
                "isResponsible": True
            },
            "modelInference": {
                "isResponsible": True
            }
        }
    }
)
 
collaboration_id = collaboration['collaboration']['id']
print("collaborationId: {collaboration_id}")

member_membership = a_acr_client.create_membership(
    collaborationIdentifier = collaboration_id,
    queryLogStatus = 'ENABLED',
    paymentConfiguration={
        "queryCompute": {
            "isResponsible": True
        },
        "machineLearning": {
            "modelTraining": {
                "isResponsible": True
            },
            "modelInference": {
                "isResponsible": True
            }
        }
    }
)

  5. Der Ersteller der Kollaboration muss dann die ML-Konfiguration einrichten. Die ML-Konfiguration bietet Clean Rooms ML die Rolle, Metriken und Protokolle an einen zu veröffentlichen AWS-Konto. Wenn der Ersteller der Kollaboration auch Ergebnisse (Modellartefakte oder Inferenzergebnisse) erhält, kann er den Amazon S3-Bucket angeben, der für den Empfang der Ergebnisse verwendet wird.

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

acr_ml_client.put_ml_configuration(
        membershipIdentifier=membership_id,
        defaultOutputLocation={
           'roleArn':'arn:aws:iam::account:role/roleName',
           'destination':{
                's3Destination':{
                    's3Uri':"s3://bucketName/prefix"
                }
            }
        }
    )

Einer Kollaboration beitreten

Nachdem der Ersteller der Kollaboration seine Aufgaben erledigt hat, müssen die eingeladenen Mitglieder ihre Aufgaben erledigen.

Console
Um eine Mitgliedschaft zu erstellen und einer Kollaboration beizutreten (Konsole)

  1. Das eingeladene Mitglied erstellt eine Mitgliedschaft und tritt der Kollaboration bei.

  2. Wenn das eingeladene Mitglied das Mitglied ist, das für die Zahlung einschließlich der Kosten für Abfrageberechnung, Modelltraining und Modellinferenz verantwortlich ist, muss es seine Zahlungsverpflichtungen akzeptieren, bevor es der Kollaboration beitritt.

  3. Das eingeladene Mitglied richtet die ML-Konfiguration ein, die Clean Rooms ML die Rolle einräumt, Modellmetriken an einen AWS-Konto zu veröffentlichen. Wenn es auch das Mitglied ist, das trainierte Modellartefakte erhält, muss es einen Amazon S3-Bucket bereitstellen, in dem trainierte Modellartefakte gespeichert werden.

API

Um eine Mitgliedschaft zu erstellen und einer Kollaboration beizutreten (API)

  1. Wenn das eingeladene Mitglied das Mitglied ist, das Ergebnisse erhalten kann, geben sie das Ziel und das Format der Abfrageergebnisse an. Sie stellen auch einen ARN für eine Servicerolle bereit, der es dem Dienst ermöglicht, in das Ziel der Abfrageergebnisse zu schreiben

    Wenn das eingeladene Mitglied für die Zahlung einschließlich der Kosten für Abfrageberechnung, Modelltraining und Modellinferenz verantwortlich ist, muss es seine Zahlungsverpflichtungen akzeptieren, bevor es der Zusammenarbeit beitritt.

    Wenn das eingeladene Mitglied das Mitglied ist, das für die Bezahlung der Modellschulung und der Modellinferenz für die benutzerdefinierte Modellierung verantwortlich ist, muss es seine Zahlungsverpflichtungen akzeptieren, bevor es der Zusammenarbeit beitritt.

    Mit dem folgenden Code wird eine Mitgliedschaft mit aktivierter Abfrageprotokollierung erstellt.

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

acr_client.create_membership(
    membershipIdentifier='membership_id',
    queryLogStatus='ENABLED'
)

  2. Das eingeladene Mitglied richtet die ML-Konfiguration ein, die Clean Rooms ML die Rolle einräumt, Modellmetriken auf einem zu veröffentlichen AWS-Konto. Wenn es auch das Mitglied ist, das trainierte Modellartefakte erhält, muss es einen Amazon S3-Bucket bereitstellen, in dem trainierte Modellartefakte gespeichert werden.

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

acr_ml_client.put_ml_configuration(
        membershipIdentifier='membership_id',
        defaultOutputLocation={
           'roleArn':"arn:aws:iam::account:role/role_name",
           'destination':{
                's3Destination':{
                    's3Uri':"s3://bucket_name/prefix"
                }
            }
        }
    )