AWS Clean Rooms ML

Les données du fournisseur de données de formation doivent être stockées dans un tableau de catalogue de AWS Glue données répertoriant les interactions entre les utilisateurs et les éléments. Les données de formation doivent au minimum contenir une colonne d'ID utilisateur, une colonne d'ID d'interaction et une colonne d'horodatage.

Le fournisseur de données de formation enregistre les données de formation auprès de AWS Clean Rooms.

Le fournisseur de données de formation crée un modèle similaire qui peut être partagé avec plusieurs fournisseurs de données sur les semences. Le modèle similaire est un réseau neuronal profond dont l'entraînement peut prendre jusqu'à 24 heures. Il n'est pas automatiquement recyclé et nous vous recommandons de réentraîner le modèle chaque semaine.

Le fournisseur de données de formation configure le modèle similaire, notamment s'il faut partager les mesures de pertinence et l'emplacement Amazon S3 des segments de sortie. Le fournisseur de données de formation peut créer plusieurs modèles similaires configurés à partir d'un seul modèle similaire.

Le fournisseur de données de formation associe le modèle d'audience configuré à une collaboration partagée avec un fournisseur de données de départ.

Les données du fournisseur de données de départ peuvent être stockées dans un compartiment Amazon S3 ou peuvent provenir des résultats d'une requête.

Le fournisseur de données de départ ouvre la collaboration qu'il partage avec le fournisseur de données de formation.

Le fournisseur de données de départ crée un segment similaire à partir de l'onglet Clean Rooms ML de la page de collaboration.

Le fournisseur de données de départ peut évaluer les indicateurs de pertinence, s'ils ont été partagés, et exporter le segment similaire pour une utilisation externe AWS Clean Rooms.

Le créateur de la collaboration crée une collaboration et attribue à chaque membre les capacités de membre et la configuration de paiement appropriées. Le créateur de la collaboration doit attribuer au membre la capacité de recevoir les sorties du modèle ou de recevoir les résultats d'inférence au membre approprié au cours de cette étape, car elle ne peut pas être mise à jour une fois la collaboration créée. Pour de plus amples informations, veuillez consulter Création et participation à la collaboration dans AWS Clean Rooms ML.

Le fournisseur de modèles configure et associe son modèle de machine learning conteneurisé à la collaboration et s'assure que des contraintes de confidentialité sont définies pour les données exportées. Pour de plus amples informations, veuillez consulter Configuration d'un algorithme de modèle dans AWS Clean Rooms ML.

Les fournisseurs de données fournissent leurs données à la collaboration et veillent à ce que leurs besoins en matière de confidentialité soient spécifiés. Les fournisseurs de données doivent autoriser le modèle à accéder à leurs données. Pour plus d’informations, consultez Contribution de données de formation dans AWS Clean Rooms ML et Association de l'algorithme de modèle configuré dans AWS Clean Rooms ML.

Un membre de la collaboration crée la configuration ML, qui définit l'endroit vers lequel les artefacts du modèle ou les résultats d'inférence sont exportés.

Un membre de la collaboration crée un canal d'entrée ML qui fournit des informations au conteneur de formation ou au conteneur d'inférence. Le canal d'entrée ML est une requête qui définit les données à utiliser dans le contexte de l'algorithme du modèle.

Un membre de la collaboration invoque l'entraînement du modèle à l'aide du canal d'entrée ML et de l'algorithme de modèle configuré. Pour de plus amples informations, veuillez consulter Création d'un modèle entraîné dans AWS Clean Rooms ML.

(Facultatif) Le formateur de modèles invoque la tâche d'exportation du modèle et les artefacts du modèle sont envoyés au récepteur des résultats du modèle. Seuls les membres disposant d'une configuration ML valide et capables de recevoir la sortie du modèle peuvent recevoir des artefacts de modèle. Pour de plus amples informations, veuillez consulter Exportation d'artefacts de modèles depuis AWS Clean Rooms ML.

(Facultatif) Un membre de la collaboration invoque l'inférence de modèle à l'aide du canal d'entrée ML, de l'ARN du modèle entraîné et de l'algorithme de modèle configuré par inférence. Les résultats d'inférence sont envoyés au récepteur de sortie d'inférence. Seuls les membres disposant d'une configuration ML valide et capables de recevoir des résultats d'inférence peuvent recevoir des résultats d'inférence.

Créez une image Docker Amazon ECR compatible avec l' SageMaker IA. Clean Rooms ML ne prend en charge que les images Docker compatibles avec l' SageMaker IA.

Après avoir créé une image Docker compatible avec l' SageMaker IA, transférez-la vers Amazon ECR. Suivez les instructions du guide de l'utilisateur d'Amazon Elastic Container Registry pour créer une image de formation sur les conteneurs.

Configurez l'algorithme du modèle à utiliser dans Clean Rooms ML.

Configurez une AWS Glue table existante avec une règle d'analyse personnalisée. Cela permet à un ensemble spécifique de requêtes pré-approuvées ou de comptes pré-approuvés d'utiliser vos données.

Associez votre table configurée à une collaboration et attribuez un rôle d'accès au service qui peut accéder à vos AWS Glue tables.

Ajoutez une règle d'analyse de collaboration au tableau qui permet à l'association de l'algorithme du modèle configuré d'accéder au tableau configuré.

Une fois le modèle et les données associés et configurés dans Clean Rooms ML, le membre capable d'exécuter des requêtes fournit une requête SQL et sélectionne l'algorithme de modèle à utiliser.