Konfiguration eines Modellalgorithmus in AWS Clean Rooms ML - AWS Clean Rooms

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Konfiguration eines Modellalgorithmus in AWS Clean Rooms ML

Nachdem Sie ein Container-Training-Image erstellt haben, müssen Sie Ihren Modellalgorithmus konfigurieren. Durch die Konfiguration eines Modellalgorithmus kann er einer Kollaboration zugeordnet werden.

Die folgende Abbildung zeigt die Konfiguration eines Modellalgorithmus als einen Schritt, der ausgeführt wird, nachdem Sie das Container-Trainingsimage erstellt haben und bevor Sie es der Kollaboration zuordnen.

Ein Überblick darüber, wie Sie ein benutzerdefiniertes ML-Modell beisteuern können.
Console
Um einen benutzerdefinierten ML-Modellalgorithmus zu konfigurieren (Konsole)

  1. Melden Sie sich bei https://console.aws.amazon.com/cleanrooms an AWS Management Console und öffnen Sie die AWS Clean Rooms Konsole.

  2. Wählen Sie im linken Navigationsbereich die Option Benutzerdefinierte ML-Modelle aus.

  3. Wählen Sie auf der Seite Benutzerdefinierte ML-Modelle die Option Modellalgorithmus konfigurieren aus.

  4. Geben Sie auf der Seite Modellalgorithmus konfigurieren unter Details zum Modellalgorithmus einen Namen und optional eine Beschreibung ein.

  5. Wenn Sie ein Modelltraining durchführen möchten, gehen Sie für Informationen zum ECR-Container des Trainingsbilds wie folgt vor:

    1. Aktivieren Sie das Kontrollkästchen Trainingsbild-URI angeben.

    2. Wählen Sie in der Dropdownliste das Repository aus, das das Trainingsmodell, den Inferenzcontainer oder beides enthält.

    3. Wählen Sie das Bild aus.

    4. (Optional) Geben Sie den Wert für die Einstiegspunkte ein, um auf das Trainingsbild zuzugreifen.

    5. (Optional) Geben Sie den Wert für die Argumente ein.

  6. (Optional) Wenn Sie Modellmetriken melden möchten, geben Sie für Trainingsmetriken den Namen der Metriken und die Regex-Anweisung ein, mit der die Ausgabeprotokolle nach der Metrik durchsucht werden.

  7. Wenn Sie eine Modellinferenz durchführen möchten, geben Sie für Inference Image ECR Container-Details Folgendes ein:

    1. Aktivieren Sie das Kontrollkästchen „URI für Inferenzbild angeben“.

    2. Wählen Sie das Repository aus der Drop-down-Liste aus.

    3. Wählen Sie das Bild aus.

  8. Wählen Sie für Dienstzugriff den Namen der vorhandenen Servicerolle aus, der für den Zugriff auf diese Tabelle verwendet werden soll.

  9. Wählen Sie für Verschlüsselung die Option Verschlüsselungseinstellungen anpassen aus, um Ihren eigenen KMS-Schlüssel und zugehörige Informationen anzugeben. Andernfalls verwaltet Clean Rooms ML die Verschlüsselung.

  10. Wenn Sie Tags aktivieren möchten, wählen Sie Neues Tag hinzufügen und geben Sie dann das Schlüssel - und Wertepaar ein.

  11. Wählen Sie Modellalgorithmus konfigurieren aus.

API

Um einen benutzerdefinierten ML-Modellalgorithmus (API) zu konfigurieren

  1. Erstellen Sie ein SageMaker KI-kompatibles Docker-Image. Clean Rooms ML unterstützt nur SageMaker KI-kompatible Docker-Images.

  2. Nachdem Sie ein SageMaker KI-kompatibles Docker-Image erstellt haben, verwenden Sie Amazon ECR, um ein Trainings-Image zu erstellen. Folgen Sie den Anweisungen im Amazon Elastic Container Registry User Guide, um ein Container-Training-Image zu erstellen.

  3. Konfigurieren Sie den Modellalgorithmus für die Verwendung in Clean Rooms ML. Sie müssen die folgenden Informationen angeben:

    • Der Amazon ECR-Repository-Link und zusätzliche Argumente zum Trainieren des Modells und zum Ausführen von Inferenzen. Clean Rooms ML unterstützt die Ausführung von Batch-Transformationsjobs in einem Inferenzcontainer.

    • Eine Dienstzugriffsrolle, die Clean Rooms ML den Zugriff auf das Repository ermöglicht.

    • (Optional) Ein Inferenzcontainer. Sie können dies zwar in einem separaten konfigurierten Modellalgorithmus bereitstellen, wir empfehlen jedoch, ihn in diesem Schritt bereitzustellen, sodass sowohl der Trainings- als auch der Inferenzcontainer als Teil derselben Ressource verwaltet werden.

    Führen Sie den folgenden Code mit Ihren spezifischen Parametern aus.

    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'
)