Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris. # Membuat saluran input ML di AWS Clean Rooms ML **Prasyarat: ** + An Akun AWS dengan akses ke AWS Clean Rooms + Kolaborasi yang disiapkan di AWS Clean Rooms tempat Anda ingin membuat saluran input ML + Izin untuk menanyakan data dan membuat saluran input ML dalam kolaborasi. + (Opsional) Algoritma model yang ada untuk dikaitkan dengan saluran input ML, atau izin untuk membuat yang baru + (Opsional) Tabel dengan aturan analisis yang dapat dijalankan untuk model yang Anda tentukan. + (Opsional) Kueri SQL yang ada atau template analisis untuk digunakan untuk menghasilkan dataset + (Opsional) Peran layanan yang ada dengan izin yang sesuai, atau izin untuk membuat peran layanan baru + (Opsional) K AWS KMS unci khusus jika Anda ingin menggunakan kunci enkripsi Anda sendiri + Izin yang sesuai untuk membuat dan mengelola model ML dalam kolaborasi Sal * uran input ML * adalah dataset yang dibuat dari kueri data tertentu. Anggota dengan kemampuan untuk menanyakan data dapat menyiapkan data mereka untuk pelatihan dan inferensi dengan membuat saluran input ML. Membuat saluran input ML memungkinkan data tersebut digunakan dalam model pelatihan yang berbeda dalam kolaborasi yang sama. Anda harus membuat saluran input ML terpisah untuk pelatihan dan inferensi. Untuk membuat saluran input ML, Anda harus menentukan query SQL yang digunakan untuk menanyakan data input dan membuat saluran input ML. Hasil kueri ini tidak pernah dibagikan dengan anggota mana pun dan tetap berada dalam batas-batas Clean Rooms ML. Referensi Amazon Resource Name (ARN) digunakan dalam langkah selanjutnya untuk melatih model atau menjalankan inferensi. ------ #### [ Console ] **Untuk membuat saluran input ML (konsol)** 1. Masuk ke Konsol Manajemen AWS dan buka AWS Clean Rooms konsol di [ https://console.aws.amazon.com/cleanrooms](https://console.aws.amazon.com/cleanrooms/home). 1. Di panel navigasi kiri, pilih Kolabor ** asi**. 1. Pada ** halaman ** Kolaborasi, pilih kolaborasi tempat Anda ingin membuat saluran input ML. 1. Setelah kolaborasi terbuka, pilih ** tab Model ** ML. 1. Di bawah Model ML K ** ustom**, di ** bagian saluran masukan ** ML, pilih ** Buat saluran masukan ML**. 1. Pada ** halaman ** Buat saluran masukan ML, untuk detail saluran masukan ** ML**, lakukan hal berikut: 1. Untuk ** Nama**, masukkan nama unik untuk saluran Anda. 1. (Opsional) Untuk ** Deskripsi**, masukkan deskripsi saluran Anda. 1. Untuk algoritma model ** terkait**, pilih algoritma yang akan digunakan. Pilih Algoritma model ** Associate ** untuk menambahkan yang baru. 1. Untuk ** Dataset**, pilih metode untuk menghasilkan dataset pelatihan: + Pilih kueri ** SQL ** untuk menggunakan hasil kueri SQL sebagai dataset pelatihan. Jika Anda memilih kueri ** SQL**, masukkan kueri Anda di ** bidang kueri ** SQL. (Opsional) Untuk mengimpor kueri yang telah Anda gunakan baru-baru ini, pilih ** Impor dari kueri terbaru**. + Pilih template ** Analisis ** untuk menggunakan hasil template analisis sebagai kumpulan data pelatihan. **Awas** Pembuatan data sintetis melindungi dari menyimpulkan atribut individu apakah individu tertentu hadir dalam kumpulan data asli atau atribut pembelajaran dari individu-individu tersebut hadir. Namun, itu tidak mencegah nilai literal dari kumpulan data asli, termasuk informasi identitas pribadi (PII) muncul dalam kumpulan data sintetis. Sebaiknya hindari nilai dalam kumpulan data input yang terkait dengan hanya satu subjek data karena ini dapat mengidentifikasi ulang subjek data. Misalnya, jika hanya satu pengguna yang tinggal di kode pos, keberadaan kode pos itu dalam kumpulan data sintetis akan mengkonfirmasi bahwa pengguna berada di kumpulan data asli. Teknik seperti memotong nilai presisi tinggi atau mengganti katalog yang tidak biasa dengan yang * lain * dapat digunakan untuk mengurangi risiko ini. Transformasi ini dapat menjadi bagian dari query yang digunakan untuk membuat saluran input ML. 1. Jika tidak ada tabel yang terkait, pilih ** Associate table ** untuk menambahkan tabel dengan aturan analisis yang dapat dijalankan untuk model yang ditentukan. 1. Pilih jenis ** pekerja ** yang akan digunakan saat membuat saluran data ini. Jenis pekerja default adalah ** CR.1X**. Tentukan ** Jumlah pekerja yang ** akan digunakan. Nomor pekerja default adalah ** 16**. Untuk menentukan properti ** Spark**: 1. Perluas ** properti Spark**. 1. Pilih ** Tambahkan properti Spark**. 1. Pada kotak ** dialog properti ** Spark, pilih nama Pro ** ** perti dari daftar dropdown dan masukkan ** Nilai**. Tabel berikut memberikan definisi untuk setiap properti. Untuk informasi selengkapnya tentang properti Spark, lihat [ Spark Properties ](https://spark.apache.org/docs/latest/configuration.html#spark-properties) dalam dokumentasi Apache Spark. **catatan** Anda dapat mengonfigurasi maksimal 50 properti Spark. Setiap nilai properti dapat mencapai 500 karakter. [See the AWS documentation website for more details](http://docs.aws.amazon.com/id_id/clean-rooms/latest/userguide/create-ml-input-channel.html) [See the AWS documentation website for more details](http://docs.aws.amazon.com/id_id/clean-rooms/latest/userguide/create-ml-input-channel.html) 1. Untuk ** Retensi data dalam hari**, masukkan jumlah hari untuk menyimpan data. 1. Untuk format ** Hasil, ** pilih ** CSV ** atau ** Parquet ** sebagai format data yang harus digunakan saluran input ML. 1. Untuk akses ** Layanan**, pilih nama peran layanan yang ** ada ** yang akan digunakan untuk mengakses tabel ini atau pilih ** Buat dan gunakan peran layanan baru**. 1. Untuk ** Enkripsi**, pilih ** Enkripsi rahasia dengan kunci KMS khusus ** untuk menentukan kunci KMS Anda sendiri dan informasi terkait. Jika tidak, Clean Rooms ML akan mengelola enkripsi. 1. (Opsional) Untuk ** Compute payer**, pilih anggota kolaborasi yang membayar biaya komputasi kueri. **catatan** Jika hanya ada satu kandidat pembayar untuk perhitungan kueri dalam kolaborasi, defaultnya adalah pembayar itu. 1. (Opsional) Untuk ** pembayar pembuatan data sintetis**, pilih anggota kolaborasi yang membayar biaya pembuatan data sintetis. **catatan** Opsi ini muncul ketika saluran input ML menggunakan template analisis yang dikonfigurasi untuk output data sintetis. Jika hanya ada satu kandidat pembayar untuk pembuatan data sintetis dalam kolaborasi, itu default ke pembayar itu. 1. Pilih ** Buat saluran input ML**. Ini akan memakan waktu beberapa menit untuk membuat saluran input ML. Anda dapat melihat daftar saluran input ML pada ** tab model ** ML. **catatan** Setelah saluran input ML dibuat, Anda tidak dapat mengeditnya. ------ #### [ API ] Untuk membuat saluran input ML (API) Jalankan kode berikut dengan parameter spesifik Anda: ``` 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}}'] ``` ------