Prasyarat pemodelan Kustom - AWS Clean Rooms

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Prasyarat pemodelan Kustom

Sebelum Anda dapat melakukan pemodelan HTML kustom, Anda harus mempertimbangkan hal berikut:

  • Tentukan apakah pelatihan model dan inferensi pada model yang dilatih akan dilakukan dalam kolaborasi.

  • Tentukan peran yang akan dilakukan setiap anggota kolaborasi dan berikan mereka kemampuan yang sesuai.

    • Tetapkan CAN_QUERY kemampuan kepada anggota yang akan melatih model dan menjalankan inferensi pada model yang dilatih.

    • Tetapkan CAN_RECEIVE_RESULTS untuk setidaknya satu anggota kolaborasi.

    • Tetapkan CAN_RECEIVE_MODEL_OUTPUT atau CAN_RECEIVE_INFERENCE_OUTPUT kemampuan kepada anggota yang akan menerima ekspor model terlatih atau output inferensi, masing-masing. Anda dapat memilih untuk menggunakan kedua kemampuan tersebut jika diperlukan oleh kasus penggunaan Anda.

  • Tentukan ukuran maksimum artefak model terlatih atau hasil inferensi yang akan Anda izinkan untuk diekspor.

  • Kami menyarankan agar semua pengguna memiliki CleanrooomsFullAccess dan CleanroomsMLFullAccess kebijakan yang melekat pada peran mereka. Menggunakan model ML kustom membutuhkan penggunaan kedua AWS Clean Rooms dan AWS Clean Rooms MLSDKs.

  • Pertimbangkan informasi berikut tentang IAM peran.

    • Semua penyedia data harus memiliki peran akses layanan yang memungkinkan AWS Clean Rooms untuk membaca data dari AWS Glue katalog dan tabel mereka, dan lokasi Amazon S3 yang mendasarinya. Peran ini mirip dengan yang diperlukan untuk SQL query. Ini memungkinkan Anda untuk menggunakan CreateConfiguredTableAssociation tindakan. Untuk informasi selengkapnya, lihat Membuat peran layanan untuk membuat asosiasi tabel yang dikonfigurasi.

    • Semua anggota yang ingin menerima metrik harus memiliki peran akses layanan yang memungkinkan mereka menulis CloudWatch metrik dan log. Peran ini digunakan oleh Clean Rooms MLuntuk menulis semua metrik model dan log ke anggota Akun AWS selama pelatihan model dan inferensi. Kami juga menyediakan kontrol privasi untuk menentukan anggota mana yang memiliki akses ke metrik dan log. Ini memungkinkan Anda untuk menggunakan CreateMLConfiguration tindakan. Untuk informasi lebih lanjut lihat,Buat peran layanan untuk pemodelan ML kustom - Konfigurasi ML.

      Anggota yang menerima hasil harus menyediakan peran akses layanan dengan izin untuk menulis ke bucket Amazon S3 mereka. Peran ini memungkinkan Clean Rooms MLuntuk mengekspor hasil (artefak model terlatih atau hasil inferensi) ke bucket Amazon S3. Ini memungkinkan Anda untuk menggunakan CreateMLConfiguration tindakan. Untuk informasi selengkapnya, lihat Buat peran layanan untuk pemodelan ML kustom - Konfigurasi ML.

    • Penyedia model harus menyediakan peran akses layanan dengan izin untuk membaca ECR repositori dan gambar Amazon mereka. Ini memungkinkan Anda untuk menggunakan CreateConfigureModelAlgorithm tindakan. Untuk informasi selengkapnya, lihat Buat peran layanan untuk menyediakan model ML kustom.

    • Anggota yang membuat MLInputChannel untuk menghasilkan kumpulan data untuk pelatihan atau inferensi harus menyediakan peran akses layanan yang memungkinkan Clean Rooms ML untuk mengeksekusi kueri. SQL AWS Clean Rooms Ini memungkinkan Anda untuk menggunakan CreateTrainedModel dan StartTrainedModelInferenceJob tindakan. Untuk informasi selengkapnya, lihat Membuat peran layanan untuk menanyakan kumpulan data.

  • Penulis model harus mengikuti Pedoman penulisan model untuk wadah pelatihan dan Pedoman pembuatan model untuk wadah inferensi untuk memastikan input dan output model dikonfigurasi seperti yang diharapkan oleh. AWS Clean Rooms