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

# Mengonfigurasi algoritme model di AWS Clean Rooms ML
<a name="configure-model-algorithm"></a>

Setelah Anda [membuat gambar pelatihan kontainer](https://docs.aws.amazon.com/sagemaker/latest/dg/docker-containers.html), Anda harus mengonfigurasi algoritma model Anda. Mengkonfigurasi algoritma model membuatnya tersedia untuk asosiasi ke kolaborasi.

Gambar berikut menunjukkan konfigurasi algoritma model sebagai langkah yang terjadi setelah Anda membuat image pelatihan kontainer dan sebelum Anda mengaitkannya dengan kolaborasi.

![\[Ikhtisar tentang cara menyumbangkan model ML kustom.\]](http://docs.aws.amazon.com/id_id/clean-rooms/latest/userguide/images/bringMLModelCollaboration.png)


------
#### [ Console ]

**Untuk mengkonfigurasi algoritma model ML kustom (konsol)**

1. Masuk ke Konsol Manajemen AWS dan buka AWS Clean Rooms konsol di [https://console.aws.amazon.com/cleanrooms](https://console.aws.amazon.com/cleanrooms/home).

1. Di panel navigasi kiri, pilih **model Custom ML**.

1. Pada halaman **model Custom ML**, pilih **Configure model algorithm**.

1. Pada halaman **Konfigurasi algoritma model**, untuk **detail algoritma Model**, masukkan **Nama** dan **Deskripsi** opsional.

1. Jika Anda ingin melakukan pelatihan model, untuk **detail wadah ECR gambar Pelatihan**,

   1. Pilih kotak centang **Tentukan URI gambar pelatihan**.

   1. Pilih **Repositori** yang memiliki model pelatihan, wadah inferensi, atau keduanya, dari daftar dropdown.

   1. Pilih **Gambar**.

   1. (Opsional) Masukkan **Nilai** untuk **Entrypoints** untuk mengakses gambar pelatihan.

   1. (Opsional) Masukkan **Nilai** untuk **Argumen**.

1. (Opsional) Jika Anda ingin melaporkan metrik model, untuk **metrik Pelatihan**, masukkan **Nama** metrik dan pernyataan **Regex** yang akan mencari log keluaran untuk menemukan metrik. 

1. Jika Anda ingin melakukan inferensi model, untuk detail wadah **ECR gambar Inferensi**, 

   1. Pilih kotak centang **Tentukan URI gambar inferensi**.

   1. Pilih **Repositori dari daftar** dropdown.

   1. Pilih **Gambar**.

1. Untuk **akses Layanan**, pilih **nama peran layanan yang ada** yang akan digunakan untuk mengakses tabel ini.

1. Untuk **Enkripsi**, pilih **pengaturan Sesuaikan enkripsi** untuk menentukan kunci KMS Anda sendiri dan informasi terkait. Jika tidak, Clean Rooms ML akan mengelola enkripsi.

1. Jika Anda ingin mengaktifkan **Tag**, pilih **Tambahkan tag baru** lalu masukkan pasangan **Kunci** dan **Nilai**.

1. Pilih **Konfigurasi algoritma model**. 

------
#### [ API ]

Untuk mengkonfigurasi algoritma model HTML kustom (API)

1. Buat image docker yang kompatibel dengan SageMaker AI. Clean Rooms MLhanya mendukung gambar docker yang kompatibel dengan SageMaker AI.

1. Setelah Anda membuat gambar docker yang kompatibel dengan SageMaker AI, gunakan Amazon ECR untuk membuat gambar pelatihan. Ikuti petunjuk di [Amazon Elastic Container Registry User Guide](https://docs.aws.amazon.com/AmazonECR/latest/userguide/) untuk membuat gambar pelatihan kontainer.

1. Konfigurasikan algoritma model untuk digunakan di Clean Rooms Ml. Anda harus memberikan informasi berikut:
   + Tautan repositori Amazon ECR dan argumen tambahan untuk melatih model dan menjalankan inferensi. Clean Rooms MLmendukung menjalankan pekerjaan transformasi batch pada wadah inferensi.
   + Peran akses layanan yang memungkinkan Clean Rooms untuk mengakses repositori.
   + (Opsional) Wadah inferensi. Meskipun Anda dapat menyediakan ini dalam algoritma model terkonfigurasi terpisah, kami menyarankan Anda menyediakannya dalam langkah ini sehingga wadah pelatihan dan inferensi dikelola sebagai bagian dari sumber daya yang sama.

   Jalankan kode berikut dengan parameter spesifik Anda.

   ```
   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'
   )
   ```

------