Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Creación de un canal de entrada de aprendizaje automático en AWS Clean Rooms ML
<a name="create-ml-input-channel"></a>

**Requisitos previos: **
+ Y Cuenta de AWS con acceso a AWS Clean Rooms
+ Una colaboración configurada en el AWS Clean Rooms lugar donde desea crear el canal de entrada ML
+ Permisos para consultar datos y crear canales de entrada de aprendizaje automático en la colaboración. 
+ (Opcional) Un algoritmo modelo existente para asociarlo al canal de entrada de aprendizaje automático o permisos para crear uno nuevo
+ (Opcional) Tablas con reglas de análisis que se pueden ejecutar para el modelo especificado. 
+ (Opcional) Una plantilla de análisis o consulta SQL existente que se utilizará para generar el conjunto de datos
+ (Opcional) Un rol de servicio existente con los permisos adecuados o permisos para crear un nuevo rol de servicio
+ (Opcional) Una AWS KMS clave personalizada si quieres usar tu propia clave de cifrado
+ Permisos adecuados para crear y administrar modelos de aprendizaje automático en la colaboración

Un * canal de entrada de aprendizaje * automático es un conjunto de datos que se crea a partir de una consulta de datos específica. Los miembros con la capacidad de consultar datos pueden preparar sus datos para el entrenamiento y la inferencia creando un canal de entrada de aprendizaje automático. La creación de un canal de entrada de aprendizaje automático permite utilizar esos datos en diferentes modelos de entrenamiento dentro de la misma colaboración. Debe crear canales de entrada de aprendizaje automático independientes para el entrenamiento y la inferencia.

Para crear un canal de entrada de aprendizaje automático, debe especificar la consulta SQL que se utiliza para consultar los datos de entrada y crear el canal de entrada de aprendizaje automático. Los resultados de esta consulta nunca se comparten con ningún miembro y permanecen dentro de los límites de Clean Rooms ML. El nombre de recurso de Amazon (ARN) de referencia se utiliza en los pasos siguientes para entrenar un modelo o ejecutar una inferencia.

------
#### [ Console ]

**Para crear un canal de entrada de ML (consola)**

1. Inicie sesión en Consola de administración de AWS y abra la AWS Clean Rooms consola en [ https://console.aws.amazon.com/cleanrooms](https://console.aws.amazon.com/cleanrooms/home).

1. En el panel de navegación izquierdo, elija **Colaboraciones**.

1. En la ** página de ** colaboraciones, elige la colaboración en la que quieres crear un canal de entrada de aprendizaje automático.

1. Cuando se abra la colaboración, elija la ** ** pestaña de modelos de aprendizaje automático.

1. En Modelos de aprendizaje automático ** personalizados**, en la ** ** sección de canales de entrada de aprendizaje automático, seleccione ** Crear canal de entrada de aprendizaje automático**.

1. En la ** página ** Crear un canal de entrada ML, para ver los detalles del canal de entrada ** ML**, haga lo siguiente: 

   1. **En ** Nombre, introduce un nombre único para tu canal.

   1. (Opcional) En la ** descripción**, introduce una descripción de tu canal.

   1. En Algoritmo de modelo ** asociado**, selecciona el algoritmo que quieres usar.

      Seleccione ** Asociar algoritmo ** de modelo para agregar uno nuevo.

1. **En ** Dataset, elija un método para generar el conjunto de datos de entrenamiento:
   + Elija la consulta ** SQL ** para usar los resultados de una consulta SQL como conjunto de datos de entrenamiento. 

     Si eligió la consulta ** SQL**, introduzca la consulta en el ** campo de consulta ** SQL.

     (Opcional) Para importar una consulta que hayas usado recientemente, selecciona ** Importar desde consultas recientes**. 
   + Elige la plantilla de ** análisis ** para usar los resultados de una plantilla de análisis como conjunto de datos de entrenamiento.
**aviso**  
La generación de datos sintéticos evita deducir atributos individuales, ya sea si hay individuos específicos en el conjunto de datos original o si están presentes los atributos de aprendizaje de esos individuos. Sin embargo, no impide que los valores literales del conjunto de datos original, incluida la información de identificación personal (PII), aparezcan en el conjunto de datos sintético.  
Recomendamos evitar los valores del conjunto de datos de entrada que estén asociados a un solo sujeto de datos, ya que pueden volver a identificar a un sujeto de datos. Por ejemplo, si solo un usuario vive en un código postal, la presencia de ese código postal en el conjunto de datos sintético confirmaría que el usuario estaba en el conjunto de datos original. Para mitigar este riesgo, se * pueden utilizar técnicas como truncar valores de alta precisión o reemplazar catálogos poco comunes por * otros. Estas transformaciones pueden formar parte de la consulta utilizada para crear el canal de entrada ML.

   1. Si no hay ninguna tabla asociada, elija ** ** Asociar tabla para agregar tablas con una regla de análisis que se pueda ejecutar para el modelo especificado. 

   1. Elija el tipo de ** trabajador ** que desea usar al crear este canal de datos. El tipo de trabajador predeterminado es ** CR.1X**. Especifique el ** número de trabajadores ** que se van a utilizar. El número de trabajadores predeterminado es ** 16**. Para especificar las propiedades de ** Spark**:

      1. Amplíe **Propiedades de Spark**.

      1. Selecciona ** Añadir propiedades de Spark**.

      1. En el cuadro de ** diálogo de propiedades de ** Spark, elige un nombre ** de ** propiedad en la lista desplegable e ingresa un ** valor**.

      En las tablas siguientes se proporciona una definición para cada propiedad.

      Para obtener más información sobre las propiedades de Spark, consulta las propiedades de [ Spark ](https://spark.apache.org/docs/latest/configuration.html#spark-properties) en la documentación de Apache Spark. 
**nota**  
Puedes configurar un máximo de 50 propiedades de Spark. El valor de cada propiedad puede tener hasta 500 caracteres.    
[See the AWS documentation website for more details](http://docs.aws.amazon.com/es_es/clean-rooms/latest/userguide/create-ml-input-channel.html)    
[See the AWS documentation website for more details](http://docs.aws.amazon.com/es_es/clean-rooms/latest/userguide/create-ml-input-channel.html)

   1. Para la retención de ** datos en días**, introduce el número de días que se conservarán los datos.

   1. Para el formato de ** resultados, ** elija ** CSV ** o ** Parquet ** como formato de datos que debe usar el canal de entrada ML.

1. Para acceder al ** servicio**, elija el nombre del rol de servicio ** existente ** que se usará para acceder a esta tabla o elija ** Crear y usar un nuevo rol de servicio**. 

1. Para el ** cifrado**, elija ** Cifrar el secreto con una clave de KMS personalizada ** para especificar su propia clave de KMS y la información relacionada. De lo contrario, Clean Rooms ML administrará el cifrado.

1. (Opcional) En el caso de ** Compute Payer**, selecciona al miembro de la colaboración que paga los costos de procesamiento de las consultas.
**nota**  
Si solo hay un pagador candidato para el procesamiento de consultas en la colaboración, el pagador será ese pagador de forma predeterminada.

1. (Opcional) En el caso del pagador por generación de datos ** sintéticos**, seleccione al miembro de la colaboración que pague los costos de generación de datos sintéticos.
**nota**  
Esta opción aparece cuando el canal de entrada ML utiliza una plantilla de análisis configurada para la salida de datos sintéticos. Si solo hay un pagador candidato para la generación de datos sintéticos en la colaboración, el pagador predeterminado es ese pagador.

1. Seleccione ** Crear canal de entrada ML. ** 

   La creación del canal de entrada ML tardará unos minutos. Puede ver una lista de canales de entrada ML en la ** pestaña de modelos ** ML.

**nota**  
Una vez creado el canal de entrada ML, no puede editarlo.

------
#### [ API ]

Para crear un canal de entrada de ML (API)

Ejecuta el siguiente código con tus parámetros específicos: 

```
import boto3 
acr_client = boto3.client('cleanroomsml')

acr_client.create_ml_input_channel(
    name="{{ml_input_channel_name}}",
    membershipIdentifier='{{membership_id}}',
    configuredModelAlgorithmAssociations=[{{configured_model_algorithm_association_arn}}],
    retentionInDays={{1}},
    inputChannel={
        "dataSource": {
            "protectedQueryInputParameters": {
                "sqlParameters": {
                    "queryString": "select * from {{table}}",
                    "computeConfiguration": {
                        "worker": {
                            "type": "{{CR.1X}}",
                            "number": {{16}},
                            "properties": {
                                "spark": {
                                    "{{spark configuration key}}": "{{spark configuration value}}",
                                }
                            }   
                        }
                    },
                    "resultFormat": "{{PARQUET}}"
                }
            }
        },
        "roleArn": "arn:aws:iam::{{111122223333}}:role/{{role_name}}"
    }
)
channel_arn = resp['{{ML Input Channel ARN}}']
```

------