View a markdown version of this page

Membuat dan bergabung dengan kolaborasi di AWS Clean Rooms ML - AWS Clean Rooms
Menciptakan kolaborasi untuk pembelajaran mesinBergabung dengan kolaborasi

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

Membuat dan bergabung dengan kolaborasi di AWS Clean Rooms ML

Pembuat kolaborasi bertanggung jawab untuk menciptakan kolaborasi, mengundang anggota, dan menetapkan peran mereka. Anggota yang diundang bergabung dengan kolaborasi dan menentukan pengaturan hasil, model terlatih membuat pengaturan tujuan dan menerima tanggung jawab pembayaran, tergantung pada bagaimana kolaborasi diatur.

Menciptakan kolaborasi untuk pembelajaran mesin

Prosedur berikut menunjukkan cara membuat kolaborasi untuk pembelajaran mesin, mengundang satu atau lebih anggota, dan menetapkan anggota yang dapat memulai pelatihan model, menerima hasil, menerima hasil model terlatih, termasuk artefak model dan metrik, dan menerima hasil inferensi model. Pembuat kolaborasi juga menugaskan anggota yang akan membayar biaya komputasi kueri, pelatihan model, dan inferensi model.

Console
Untuk membuat kolaborasi untuk pembelajaran mesin (konsol)

  1. Buat kolaborasi dan undang satu atau lebih anggota untuk bergabung dengan kolaborasi

  2. Tetapkan kemampuan Ang gota berikut untuk Analisis menggunakan kueri dan pekerjaan:

    • Tet apkan kueri Run ke anggota yang akan memulai pelatihan model.

    • Tetapkan Terima hasil dari analisis kepada anggota yang akan menerima hasil kueri.

  3. Tetapkan kemampuan Ang gota berikut untuk pemodelan ML menggunakan alur kerja yang dibuat khusus:

    • Tetapkan Penerimaan keluaran dari model terlatih kepada anggota yang akan menerima hasil model terlatih, termasuk artefak model dan metrik.

    • Tetapkan Terima keluaran dari inferensi model ke anggota yang akan menerima hasil inferensi model.

  4. Untuk Konfigurasikan pembayaran, tentukan anggota yang akan membayar komputasi kueri, pelatihan model, inferensi model, dan biaya pembuatan kumpulan data sintetis.

    Dataset sintetis memiliki sifat statistik yang mirip dengan kumpulan data asli yang menjadi dasarnya, tetapi tidak berisi pengamatan dunia nyata yang ada dalam kumpulan data asli. Dengan menggunakan kumpulan data sintetis yang ditingkatkan privasi, Anda dapat membuka kasus penggunaan pelatihan model ML baru yang sebelumnya dicegah oleh masalah privasi data. Untuk informasi selengkapnya, lihat Privacy-enhanced pembuatan data sintetis.

    Masing-masing biaya ini dapat diberikan kepada anggota yang sama atau berbeda. Jika anggota yang diundang adalah anggota yang bertanggung jawab untuk membayar biaya pembayaran, mereka harus menerima tanggung jawab pembayaran mereka sebelum bergabung dengan kolaborasi.

  5. Untuk Konfigurasikan keanggotaan, pembuat kolaborasi dapat memutuskan untuk bergabung dengan keanggotaan sekarang atau membuat keanggotaan nanti. Pembuat kolaborasi kemudian harus mengatur konfigurasi ML.

    1. Jika pembuat kolaborasi juga penerima hasil, mereka juga harus menentukan tujuan dan format hasil kueri di default pengaturan Hasil.

    2. Konfigurasi ML menyediakan peran untuk Clean Rooms ML untuk menerbitkan metrik ke Akun AWS. Jika pembuat kolaborasi juga menerima artefak model terlatih, mereka dapat menentukan bucket Amazon S3 yang digunakan untuk menerima hasil.

    3. Di bagian Konfigurasi ML, pilih Buat konfigurasi ML, lalu tentukan tujuan keluaran Model di Amazon S3 dan peran akses Layanan yang diperlukan untuk mengakses lokasi ini.

    4. Jika pembuat kolaborasi adalah anggota yang bertanggung jawab untuk membayar biaya pembayaran, mereka harus menerima tanggung jawab pembayaran mereka sebelum membuat kolaborasi.

API

Untuk membuat kolaborasi untuk pembelajaran mesin (API)

  1. Buat kolaborasi dan undang satu atau lebih anggota untuk bergabung dengan kolaborasi

  2. Tetapkan peran berikut untuk anggota kolaborasi:

    • CAN_QUERY- ditugaskan kepada anggota yang akan memulai pelatihan model dan inferensi.

    • CAN_RECEIVE_MODEL_OUTPUT- ditugaskan kepada anggota yang akan menerima hasil model terlatih.

    • CAN_RECEIVE_INFERENCE_OUTPUT- ditugaskan kepada anggota yang akan menerima hasil inferensi model.

    Jika pembuat kolaborasi juga penerima hasil, mereka juga harus menentukan tujuan dan format hasil kueri selama pembuatan kolaborasi. Mereka juga memberikan peran layanan Amazon Resource Name (ARN) untuk menulis hasil ke tujuan hasil kueri.

  3. Tentukan anggota yang akan membayar biaya komputasi kueri, pelatihan model, dan inferensi model. Masing-masing biaya ini dapat diberikan kepada anggota yang sama atau berbeda. Jika anggota yang diundang adalah anggota yang bertanggung jawab untuk membayar biaya pembayaran, mereka harus menerima tanggung jawab pembayaran mereka sebelum bergabung dengan kolaborasi.

  4. Kode berikut membuat kolaborasi, mengundang anggota yang dapat menjalankan kueri dan menerima hasil, dan menentukan pembuat kolaborasi sebagai penerima artefak model.

    import boto3 
acr_client= boto3.client('cleanrooms')
 
collaboration = a_acr_client.create_collaboration(
    members=[
        {
         'accountId': 'invited_member_accountId',
         'memberAbilities':["CAN_QUERY","CAN_RECEIVE_RESULTS"],
         'displayName': 'member_display_name'
        }
    ],
    name='collaboration_name',
    description=collaboration_description,
    creatorMLMemberAbilities= {
        'customMLMemberAbilities':["CAN_RECEIVE_MODEL_OUTPUT", "CAN_RECEIVE_INFERENCE_OUTPUT"],
    },
    creatorDisplayName='creator_display_name',
    queryLogStatus="ENABLED",
    analyticsEngine="SPARK",
    creatorPaymentConfiguration={
        "queryCompute": {
            "isResponsible": True
        },
        "machineLearning": {
            "modelTraining": {
                "isResponsible": True
            },
            "modelInference": {
                "isResponsible": True
            }
        }
    }
)
 
collaboration_id = collaboration['collaboration']['id']
print("collaborationId: {collaboration_id}")

member_membership = a_acr_client.create_membership(
    collaborationIdentifier = collaboration_id,
    queryLogStatus = 'ENABLED',
    paymentConfiguration={
        "queryCompute": {
            "isResponsible": True
        },
        "machineLearning": {
            "modelTraining": {
                "isResponsible": True
            },
            "modelInference": {
                "isResponsible": True
            }
        }
    }
)

  5. Pembuat kolaborasi kemudian harus mengatur konfigurasi ML. Konfigurasi ML menyediakan peran untuk Clean Rooms ML untuk menerbitkan metrik dan log ke Akun AWS. Jika pembuat kolaborasi juga menerima hasil (artefak model atau hasil inferensi), mereka dapat menentukan bucket Amazon S3 yang digunakan untuk menerima hasil.

    import boto3 
acr_ml_client= boto3.client('cleanroomsml')

acr_ml_client.put_ml_configuration(
        membershipIdentifier=membership_id,
        defaultOutputLocation={
           'roleArn':'arn:aws:iam::account:role/roleName',
           'destination':{
                's3Destination':{
                    's3Uri':"s3://bucketName/prefix"
                }
            }
        }
    )

Bergabung dengan kolaborasi

Setelah pencipta kolaborasi menyelesaikan tugasnya, anggota yang diundang harus menyelesaikan tugasnya.

Console
Untuk membuat keanggotaan dan bergabung dengan kolaborasi (konsol)

  1. Anggota yang diundang membuat keanggotaan dan bergabung dengan kolaborasi.

  2. Jika anggota yang diundang adalah anggota yang bertanggung jawab untuk membayar, termasuk perhitungan kueri, pelatihan model, dan biaya inferensi model, mereka harus menerima tanggung jawab pembayaran mereka sebelum bergabung dengan kolaborasi.

  3. Anggota yang diundang mengatur konfigurasi ML, yang menyediakan peran untuk Clean Rooms ML untuk menerbitkan metrik model ke Akun AWS. Jika mereka juga anggota yang menerima artefak model terlatih, mereka harus memberikan bucket Amazon S3 tempat artefak model terlatih disimpan.

API

Untuk membuat keanggotaan dan bergabung dengan kolaborasi (API)

  1. Jika anggota yang diundang adalah anggota yang dapat menerima hasil, mereka menentukan tujuan dan format hasil kueri. Mereka juga menyediakan peran layanan ARN yang memungkinkan layanan untuk menulis ke tujuan hasil kueri

    Jika anggota yang diundang adalah anggota yang bertanggung jawab untuk membayar, termasuk perhitungan kueri, pelatihan model, dan biaya inferensi model, mereka harus menerima tanggung jawab pembayaran mereka sebelum bergabung dengan kolaborasi.

    Jika anggota yang diundang adalah anggota yang bertanggung jawab untuk membayar pelatihan model dan inferensi model untuk pemodelan khusus, mereka harus menerima tanggung jawab pembayaran mereka sebelum bergabung dengan kolaborasi.

    Kode berikut membuat keanggotaan dengan pencatatan kueri diaktifkan.

    import boto3 
acr_client= boto3.client('cleanrooms')

acr_client.create_membership(
    membershipIdentifier='membership_id',
    queryLogStatus='ENABLED'
)

  2. Anggota yang diundang mengatur konfigurasi ML, yang menyediakan peran untuk Clean Rooms ML untuk menerbitkan metrik model ke Akun AWS. Jika mereka juga anggota yang menerima artefak model terlatih, mereka harus menyediakan bucket Amazon S3 tempat artefak model terlatih disimpan.

    import boto3 
acr_ml_client= boto3.client('cleanroomsml')

acr_ml_client.put_ml_configuration(
        membershipIdentifier='membership_id',
        defaultOutputLocation={
           'roleArn':"arn:aws:iam::account:role/role_name",
           'destination':{
                's3Destination':{
                    's3Uri':"s3://bucket_name/prefix"
                }
            }
        }
    )