Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés. # Requisitos previos del modelado ML personalizado Antes de poder realizar un modelado de aprendizaje automático personalizado, debe tener en cuenta lo siguiente: + Determine si tanto el entrenamiento del modelo como la inferencia sobre el modelo entrenado se realizarán en colaboración. + Determine la función que desempeñará cada miembro de la colaboración y asígnele las habilidades adecuadas. + Asigne la `CAN_QUERY` habilidad al miembro que entrenará el modelo y realizará la inferencia sobre el modelo entrenado. + `CAN_RECEIVE_RESULTS`Asígnelo al menos a un miembro de la colaboración. + Asigne `CAN_RECEIVE_MODEL_OUTPUT` nuestras `CAN_RECEIVE_INFERENCE_OUTPUT` habilidades al miembro que recibirá las exportaciones de modelos entrenados o el resultado de inferencias, respectivamente. Puedes elegir usar ambas habilidades si así lo requiere tu caso de uso. + Determine el tamaño máximo de los artefactos del modelo entrenado o de los resultados de inferencia que permitirá exportar. + Recomendamos que todos los usuarios tengan las `CleanroomsMLFullAccess` políticas `CleanrooomsFullAccess` y políticas asociadas a su función. El uso de modelos de aprendizaje automático personalizados requiere utilizar tanto el AWS Clean Rooms ML de AWS Clean Rooms como el de AWS SDKs. + Tenga en cuenta la siguiente información sobre las funciones de IAM. + Todos los proveedores de datos deben tener una función de acceso AWS Clean Rooms al servicio que les permita leer los datos de sus AWS Glue catálogos y tablas, y de las ubicaciones subyacentes de Amazon S3. Estas funciones son similares a las que se requieren para las consultas de SQL. Esto le permite utilizar la `CreateConfiguredTableAssociation` acción. Para obtener más información, consulte [Cree un rol de servicio para crear una asociación de tablas configurada](ml-roles.md#ml-roles-custom-configure-table). + Todos los miembros que deseen recibir métricas deben tener una función de acceso al servicio que les permita escribir CloudWatch métricas y registros. Clean Rooms ML utiliza esta función para escribir todas las métricas y registros del modelo para el miembro Cuenta de AWS durante el entrenamiento y la inferencia del modelo. También ofrecemos controles de privacidad para determinar qué miembros tienen acceso a las métricas y los registros. Esto te permite usar la `CreateMLConfiguration` acción. Para obtener más información, consulte, [Cree un rol de servicio para el modelado de ML personalizado: Configuración de ML](ml-roles.md#ml-roles-custom-configure). El miembro que reciba los resultados debe proporcionar un rol de acceso al servicio con permisos para escribir en su bucket de Amazon S3. Esta función permite a Clean Rooms ML exportar los resultados (artefactos de modelos entrenados o resultados de inferencias) a un bucket de Amazon S3. Esto le permite utilizar la `CreateMLConfiguration` acción. Para obtener más información, consulte [Cree un rol de servicio para el modelado de ML personalizado: Configuración de ML](ml-roles.md#ml-roles-custom-configure). + El proveedor del modelo debe proporcionar un rol de acceso al servicio con permisos para leer su repositorio e imagen de Amazon ECR. Esto le permite utilizar la `CreateConfigureModelAlgorithm` acción. Para obtener más información, consulte [Cree un rol de servicio para proporcionar un modelo de aprendizaje automático personalizado](ml-roles.md#ml-roles-custom-model-provider). + El miembro que crea el `MLInputChannel` para generar conjuntos de datos con fines de formación o inferencia debe proporcionar una función de acceso al servicio que permita a Clean Rooms ML ejecutar una consulta SQL en ella. AWS Clean Rooms Esto le permite usar las acciones `CreateTrainedModel` y`StartTrainedModelInferenceJob`. Para obtener más información, consulte [Cree un rol de servicio para consultar un conjunto de datos](ml-roles.md#ml-roles-custom-query-dataset). + Los autores del modelo deben seguir las [Pautas de creación de modelos para el contenedor de formación](custom-model-guidelines.md) y [Directrices de creación de modelos para el contenedor de inferenciasRecibir registros y métricas del modelo](inference-model-guidelines.md) asegurarse de que las entradas y salidas del modelo estén configuradas según lo esperado AWS Clean Rooms.