View a markdown version of this page

Configuration d'un algorithme de modèle dans AWS Clean Rooms ML - AWS Clean Rooms

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Configuration d'un algorithme de modèle dans AWS Clean Rooms ML

Après avoir créé une image d'entraînement de conteneur, vous devez configurer votre algorithme de modèle. La configuration d'un algorithme de modèle permet de l'associer à une collaboration.

L'image suivante montre la configuration d'un algorithme de modèle en tant qu'étape qui se produit après la création de l'image de formation du conteneur et avant de l'associer à la collaboration.

Un aperçu de la manière de contribuer à un modèle de machine learning personnalisé.
Console
Pour configurer un algorithme de modèle ML personnalisé (console)

  1. Connectez-vous à Console de gestion AWS et ouvrez la AWS Clean Rooms console à l'adresse https://console.aws.amazon.com/cleanrooms.

  2. Dans le volet de navigation de gauche, choisissez Modèles ML personnalisés.

  3. Sur la page Modèles ML personnalisés, choisissez Configurer l'algorithme du modèle.

  4. Sur la page Configurer l'algorithme du modèle, pour les détails de l'algorithme du modèle, entrez un nom et une description facultative.

  5. Si vous souhaitez effectuer un entraînement sur un modèle, pour les détails du conteneur ECR d'image d'entraînement,

    1. Cochez la case Spécifier l'URI de l'image d'entraînement.

    2. Sélectionnez le référentiel contenant le modèle de formation, le conteneur d'inférence, ou les deux, dans la liste déroulante.

    3. Sélectionnez l'image.

    4. (Facultatif) Entrez la valeur des points d'entrée pour accéder à l'image d'entraînement.

    5. (Facultatif) Entrez la valeur des arguments.

  6. (Facultatif) Si vous souhaitez rapporter les mesures du modèle, pour les mesures d'entraînement, entrez le nom des mesures et l'instruction Regex qui recherchera la métrique dans les journaux de sortie.

  7. Si vous souhaitez effectuer une inférence de modèle, pour les détails du conteneur ECR d'image d'inférence,

    1. Cochez la case Spécifier l'URI de l'image d'inférence.

    2. Sélectionnez le référentiel dans la liste déroulante.

    3. Sélectionnez l'image.

  8. Pour Accès au service, choisissez le nom du rôle de service existant qui sera utilisé pour accéder à ce tableau.

  9. Pour le chiffrement, choisissez les paramètres de chiffrement personnalisés pour spécifier votre propre clé KMS et les informations associées. Dans le cas contraire, Clean Rooms ML gérera le cryptage.

  10. Si vous souhaitez activer les balises, choisissez Ajouter une nouvelle étiquette, puis entrez la paire clé/valeur.

  11. Choisissez Configurer l'algorithme du modèle.

API

Pour configurer un algorithme de modèle ML (API) personnalisé

  1. Créez une image Docker compatible avec l' SageMaker IA. Clean Rooms ML ne prend en charge que les images Docker compatibles avec l' SageMaker IA.

  2. Après avoir créé une image Docker compatible avec l' SageMaker IA, utilisez Amazon ECR pour créer une image d'entraînement. Suivez les instructions du guide de l'utilisateur d'Amazon Elastic Container Registry pour créer une image de formation sur les conteneurs.

  3. Configurez l'algorithme du modèle à utiliser dans Clean Rooms ML. Vous devez fournir les informations suivantes :

    • Le lien vers le référentiel Amazon ECR et des arguments supplémentaires pour entraîner le modèle et exécuter l'inférence. Clean Rooms ML prend en charge l'exécution de tâches de transformation par lots sur un conteneur d'inférence.

    • Un rôle d'accès au service qui permet à Clean Rooms ML d'accéder au référentiel.

    • (Facultatif) Un conteneur d'inférence. Bien que vous puissiez le fournir dans un algorithme de modèle configuré distinct, nous vous recommandons de le fournir à cette étape afin que le conteneur d'apprentissage et le conteneur d'inférence soient gérés dans le cadre de la même ressource.

    Exécutez le code suivant avec vos paramètres spécifiques.

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

acr_ml_client.create_configured_model_algorithm(
    name='configured_model_algorithm_name',
    trainingContainerConfig={
        'imageUri': 'account.dkr.ecr.region.amazonaws.com/image_name:tag',
        'metricDefinitions': [
            {
                'name': 'custom_metric_name_1',
                'regex': 'custom_metric_regex_1'
            }
        ]
    },
    inferenceContainerConfig={
        'imageUri':'account.dkr.ecr.region.amazonaws.com/image_name:tag',
    }
    roleArn='arn:aws:iam::account:role/role_name'
)