Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Prerequisiti per la modellazione ML personalizzata
Prima di eseguire la modellazione ML personalizzata, è necessario considerare quanto segue:
-
Determina se nell'ambito della collaborazione verranno eseguiti sia l'addestramento del modello che l'inferenza sul modello addestrato.
-
Determina il ruolo che ogni membro della collaborazione svolgerà e assegnagli le abilità appropriate.
-
Assegna l'
CAN_QUERY
abilità al membro che addestrerà il modello ed eseguirà l'inferenza sul modello addestrato. -
Assegna il
CAN_RECEIVE_RESULTS
ad almeno un membro della collaborazione. -
Assegna
CAN_RECEIVE_INFERENCE_OUTPUT
leCAN_RECEIVE_MODEL_OUTPUT
nostre abilità al membro che riceverà rispettivamente le esportazioni di modelli addestrati o l'output di inferenza. Puoi scegliere di usare entrambe le abilità se sono richieste dal tuo caso d'uso.
-
-
Determina la dimensione massima degli artefatti del modello addestrato o dei risultati di inferenza che consentirai l'esportazione.
-
È consigliabile che tutti gli utenti abbiano le
CleanroomsMLFullAccess
politicheCleanrooomsFullAccess
e associate al proprio ruolo. L'utilizzo di modelli ML personalizzati richiede l'utilizzo AWS Clean Rooms sia di che di AWS Clean Rooms ML SDKs. -
Considera le seguenti informazioni sui ruoli IAM.
-
Tutti i fornitori di dati devono avere un ruolo di accesso al servizio che AWS Clean Rooms consenta di leggere i dati dai loro AWS Glue cataloghi e tabelle e dalle posizioni Amazon S3 sottostanti. Questi ruoli sono simili a quelli richiesti per le interrogazioni SQL. Ciò consente di utilizzare l'
CreateConfiguredTableAssociation
azione. Per ulteriori informazioni, consulta Crea un ruolo di servizio per creare un'associazione di tabelle configurata. -
Tutti i membri che desiderano ricevere le metriche devono avere un ruolo di accesso al servizio che consenta loro di scrivere CloudWatch metriche e log. Questo ruolo viene utilizzato da Clean Rooms ML per scrivere tutte le metriche e i log del modello ai membri Account AWS durante l'addestramento e l'inferenza del modello. Forniamo anche controlli sulla privacy per determinare quali membri hanno accesso alle metriche e ai log. Ciò consente di utilizzare l'azione
CreateMLConfiguration
. Per ulteriori informazioni, consultare Crea un ruolo di servizio per la modellazione ML personalizzata - Configurazione ML.Il membro che riceve i risultati deve fornire un ruolo di accesso al servizio con le autorizzazioni di scrittura nel proprio bucket Amazon S3. Questo ruolo consente a Clean Rooms ML di esportare i risultati (artefatti del modello addestrati o risultati di inferenza) in un bucket Amazon S3. Ciò consente di utilizzare l'azione.
CreateMLConfiguration
Per ulteriori informazioni, consulta Crea un ruolo di servizio per la modellazione ML personalizzata - Configurazione ML. -
Il fornitore del modello deve fornire un ruolo di accesso al servizio con le autorizzazioni per leggere l'archivio e l'immagine Amazon ECR. Ciò consente di utilizzare l'azione.
CreateConfigureModelAlgorithm
Per ulteriori informazioni, consulta Crea un ruolo di servizio per fornire un modello di machine learning personalizzato. -
Il membro che crea i
MLInputChannel
set di dati per la formazione o l'inferenza deve fornire un ruolo di accesso al servizio che consenta a Clean Rooms ML di eseguire una query SQL in. AWS Clean Rooms Ciò consente di utilizzare le azioniCreateTrainedModel
eStartTrainedModelInferenceJob
. Per ulteriori informazioni, consulta Crea un ruolo di servizio per interrogare un set di dati.
-
-
Gli autori del modello devono seguire Linee guida per la creazione di modelli per il contenitore di formazione e Linee guida per la creazione di modelli per il contenitore di inferenza garantire che gli input e gli output del modello siano configurati come previsto da. AWS Clean Rooms