View a markdown version of this page

Prérequis pour la modélisation ML personnalisée - 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.

Prérequis pour la modélisation ML personnalisée

Avant de pouvoir réaliser une modélisation ML personnalisée, vous devez prendre en compte les points suivants :

  • Déterminez si la formation du modèle et l'inférence sur le modèle entraîné seront effectuées dans le cadre de la collaboration.

  • Déterminez le rôle que chaque membre de la collaboration jouera et attribuez-lui les capacités appropriées.

    • Attribuez la CAN_QUERY capacité au membre qui va entraîner le modèle et exécuter l'inférence sur le modèle entraîné.

    • CAN_RECEIVE_RESULTSAttribuez-le à au moins un membre de la collaboration.

    • CAN_RECEIVE_MODEL_OUTPUTAttribuez CAN_RECEIVE_INFERENCE_OUTPUT des capacités au membre qui recevra les exportations de modèles entraînés ou les résultats d'inférence, respectivement. Vous pouvez choisir d'utiliser les deux capacités si votre cas d'utilisation l'exige.

  • Déterminez la taille maximale des artefacts du modèle entraîné ou des résultats d'inférence que vous autoriserez à exporter.

  • Nous recommandons à tous les utilisateurs de disposer des CleanroomsMLFullAccess politiques CleanrooomsFullAccess et associées à leur rôle. L'utilisation de modèles de machine learning personnalisés nécessite d'utiliser à la fois les kits SDK AWS Clean Rooms ML AWS Clean Rooms et AWS Clean Rooms.

  • Consultez les informations suivantes concernant les rôles IAM.

    • Tous les fournisseurs de données doivent disposer d'un rôle d'accès aux services qui leur permet AWS Clean Rooms de lire les données de leurs AWS Glue catalogues et de leurs tables, ainsi que des emplacements Amazon S3 sous-jacents. Ces rôles sont similaires à ceux requis pour les requêtes SQL. Cela vous permet d'utiliser l'CreateConfiguredTableAssociationaction. Pour de plus amples informations, veuillez consulter Création d'un rôle de service pour créer une association de tables configurée.

    • Tous les membres qui souhaitent recevoir des métriques doivent disposer d'un rôle d'accès au service leur permettant de rédiger CloudWatch des métriques et des journaux. Ce rôle est utilisé par Clean Rooms ML pour écrire toutes les métriques et tous les journaux du modèle aux membres Compte AWS pendant la formation et l'inférence des modèles. Nous proposons également des contrôles de confidentialité pour déterminer quels membres ont accès aux statistiques et aux journaux. Cela vous permet d'utiliser l'CreateMLConfigurationaction. Pour plus d'informations, voirCréation d'un rôle de service pour la modélisation ML personnalisée - ML Configuration.

      Le membre qui reçoit les résultats doit fournir un rôle d'accès au service avec l'autorisation d'écrire dans son compartiment Amazon S3. Ce rôle permet à Clean Rooms ML d'exporter les résultats (artefacts du modèle entraîné ou résultats d'inférence) vers un compartiment Amazon S3. Cela vous permet d'utiliser l'CreateMLConfigurationaction. Pour de plus amples informations, veuillez consulter Création d'un rôle de service pour la modélisation ML personnalisée - ML Configuration.

    • Le fournisseur de modèles doit fournir un rôle d'accès au service avec les autorisations nécessaires pour lire son référentiel Amazon ECR et son image. Cela vous permet d'utiliser l'CreateConfigureModelAlgorithmaction. Pour de plus amples informations, veuillez consulter Créez un rôle de service pour fournir un modèle de machine learning personnalisé.

    • Le membre qui crée les ensembles MLInputChannel de données pour la formation ou l'inférence doit fournir un rôle d'accès au service qui permet à Clean Rooms ML d'exécuter une requête SQL dans. AWS Clean Rooms Cela vous permet d'utiliser les StartTrainedModelInferenceJob actions CreateTrainedModel et. Pour de plus amples informations, veuillez consulter Création d'un rôle de service pour interroger un ensemble de données.

  • Les auteurs du modèle doivent suivre Directives de création de modèles pour le conteneur de formation et s'Directives de création de modèles pour le conteneur d'inférenceassurer que les entrées et les sorties du modèle sont configurées comme prévu par AWS Clean Rooms.