Association de l'algorithme de modèle configuré dans AWS Clean Rooms ML

Après avoir configuré l'algorithme de modèle, vous êtes prêt à associer l'algorithme de modèle à une collaboration. L'association d'un algorithme modèle met celui-ci à la disposition de tous les membres de la collaboration.

L'image suivante montre l'association de l'algorithme de modèle configuré comme dernière étape, après avoir créé l'image d'apprentissage du conteneur et configuré un algorithme de modèle.

Un aperçu de la manière de contribuer à un modèle de machine learning personnalisé.

Console

Note

Une fois que l'algorithme du modèle est associé, il ne peut pas être modifié. Pour apporter des modifications, vous pouvez supprimer l'algorithme de modèle associé et en associer un nouveau.

Pour associer un algorithme de modèle ML personnalisé (console)

Connectez-vous à Console de gestion AWS et ouvrez la AWS Clean Rooms console à l'adresse https://console.aws.amazon.com/cleanrooms.
Dans le volet de navigation de gauche, choisissez Modèles ML personnalisés.
Sur la page Modèles ML personnalisés, choisissez l'algorithme de modèle configuré que vous souhaitez associer à une collaboration, puis choisissez Associer à la collaboration.
Dans la fenêtre Associer l'algorithme de modèle configuré, choisissez la collaboration à laquelle vous souhaitez vous associer.
Choisissez Choisir la collaboration.
Sur la page Associer un algorithme de modèle, pour Détails de l'association de l'algorithme de modèle, entrez un nom et une description facultative.
Pour Algorithme de modèle, choisissez un algorithme de modèle configuré.
Pour les configurations de confidentialité des exportations du modèle Trained,
1. Pour exporter des fichiers modèles, cochez la case Fichiers modèles.
2. Pour exporter des fichiers de sortie, cochez la case Fichiers de sortie.
3. Entrez une valeur de taille maximale pour les données exportées. La valeur doit être comprise entre 0,01 et 10.
(Facultatif) Si vous souhaitez envoyer des journaux d'erreurs complets ou des résumés d'erreurs plus courts aux membres, sous Configuration de la confidentialité des tâches d'inférence de modèles entraînés,
1. Sous Journaux complets, sélectionnez un ou plusieurs identifiants de compte dans la liste déroulante.
2. (Facultatif) Si vous souhaitez envoyer des journaux correspondant à un modèle de filtre, entrez un modèle de filtre.
3. (Facultatif) Si vous souhaitez ajouter un autre compte et un modèle de filtre facultatif, choisissez Ajouter une politique de journalisation.
4. Sous Résumés des erreurs, sélectionnez un ou plusieurs identifiants de compte dans la liste déroulante.
5. (Facultatif) Sélectionnez une ou plusieurs entités à supprimer pour spécifier quelles entités seront supprimées du journal des erreurs ou des résumés des erreurs.
  - PII — supprimer les informations personnelles identifiables
  - Chiffres — numéros expurgés
  - Personnalisé : rédaction basée sur le modèle de rédaction personnalisé
  1. Si vous avez choisi Personnalisé à l'étape précédente, entrez un modèle de rédaction personnalisé. Cela enregistre les informations qui correspondent à ce modèle.
  2. (Facultatif) Si vous souhaitez ajouter un autre modèle de rédaction personnalisé, choisissez Ajouter un autre modèle personnalisé.
(Facultatif) Si vous souhaitez configurer les métriques du modèle entraîné, sous Configuration des métriques du modèle entraîné, sélectionnez un niveau de bruit dans la liste déroulante.

Vous pouvez sélectionner Aucun, Faible, Moyen et Élevé.
(Facultatif) Si vous souhaitez définir la taille maximale des artefacts, sous Configuration des artefacts, entrez la valeur de taille maximale des artefacts. La valeur doit être comprise entre 0,01 et 10.
(Facultatif) Si vous souhaitez activer les balises, choisissez Ajouter une nouvelle étiquette, puis entrez la paire clé/valeur.
Choisissez Associer.

API

Pour associer un algorithme de modèle ML (API) personnalisé

Exécutez le code suivant avec vos paramètres spécifiques.

Vous fournissez également une politique de confidentialité qui définit qui a accès aux différents journaux, permet aux clients de définir des expressions régulières et quelle quantité de données peuvent être exportées à partir des sorties du modèle d'apprentissage ou des résultats d'inférence.

Note

Les associations d'algorithmes de modèles configurées sont immuables.


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'
    }
)

Une fois que l'algorithme de modèle configuré est associé à la collaboration, les fournisseurs de données de formation doivent ajouter une règle d'analyse de collaboration à leur tableau. Cette règle permet à l'association de l'algorithme du modèle configuré d'accéder à sa table configurée. Tous les fournisseurs de données de formation contributeurs doivent exécuter le code suivant :


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': []
            }
        }
    }
)

Note

Les associations d'algorithmes de modèle configurées étant immuables, nous recommandons de former les fournisseurs de données qui souhaitent autoriser l'utilisation de modèles de listes à utiliser des caractères génériques allowedAdditionalAnalyses lors des premières itérations de la configuration de modèles personnalisés. Cela permet aux fournisseurs de modèles d'itérer leur code sans que les autres prestataires de formation n'aient à s'associer à nouveau avant d'entraîner leur code modèle mis à jour avec les données.

Avertissement JavaScript est désactivé ou n'est pas disponible dans votre navigateur.

Pour que vous puissiez utiliser la documentation AWS, Javascript doit être activé. Vous trouverez des instructions sur les pages d'aide de votre navigateur.

Conventions de rédaction

Configuration d'un algorithme de modèle

Création d'un canal d'entrée ML