Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Prerequisiti per la modellazione ML personalizzata
Prima di poter eseguire una modellazione ML personalizzata, è necessario considerare quanto segue:
-
Determina se nell'ambito della collaborazione verranno eseguite sia l'addestramento del modello che l'inferenza sul modello addestrato.
-
Determina il ruolo che ciascun membro della collaborazione svolgerà e assegna loro le competenze appropriate.
-
Assegna la
CAN_QUERYcapacità al membro che addestrerà il modello ed eseguirà l'inferenza sul modello addestrato. -
CAN_RECEIVE_RESULTSAssegnala ad almeno un membro della collaborazione. -
Assegna
CAN_RECEIVE_MODEL_OUTPUTCAN_RECEIVE_INFERENCE_OUTPUTle nostre abilità al membro che riceverà rispettivamente le esportazioni di modelli addestrati o l'output di inferenza. Puoi scegliere di utilizzare entrambe le abilità se sono richieste dal tuo caso d'uso.
-
-
Determina la dimensione massima degli artefatti del modello addestrato o dei risultati di inferenza che consentirai l'esportazione.
-
Consigliamo che tutti gli utenti abbiano le
CleanroomsMLFullAccesspoliticheCleanrooomsFullAccesse associate al proprio ruolo. L'utilizzo di modelli ML personalizzati richiede l'utilizzo sia degli AWS Clean Rooms SDK ML di AWS Clean Rooms che di AWS Clean Rooms. -
Considera le seguenti informazioni sui ruoli IAM.
-
Tutti i fornitori di dati devono disporre di un ruolo di accesso al servizio che AWS Clean Rooms consenta di leggere i dati dai loro AWS Glue cataloghi e tabelle e dalle sedi Amazon S3 sottostanti. Questi ruoli sono simili a quelli richiesti per le interrogazioni SQL. Ciò consente di utilizzare l'
CreateConfiguredTableAssociationazione. Per ulteriori informazioni, consulta Crea un ruolo di servizio per creare un'associazione di tabelle configurata. -
Tutti i membri che desiderano ricevere metriche devono disporre di un ruolo di accesso al servizio che consenta loro di scrivere CloudWatch metriche e registri. Questo ruolo viene utilizzato da Clean Rooms ML per scrivere tutte le metriche e i log del modello ai membri Account AWS durante l'addestramento e l'inferenza del modello. Forniamo anche controlli sulla privacy per determinare quali membri hanno accesso alle metriche e ai log. Ciò consente di utilizzare l'
CreateMLConfigurationazione. Per ulteriori informazioni, consultare Crea un ruolo di servizio per la modellazione ML personalizzata - Configurazione ML.Il membro che riceve i risultati deve fornire un ruolo di accesso al servizio con le autorizzazioni per scrivere nel proprio bucket Amazon S3. Questo ruolo consente a Clean Rooms ML di esportare i risultati (artefatti del modello addestrato o risultati di inferenza) in un bucket Amazon S3. Ciò consente di utilizzare l'azione.
CreateMLConfigurationPer ulteriori informazioni, consulta Crea un ruolo di servizio per la modellazione ML personalizzata - Configurazione ML. -
Il fornitore del modello deve fornire un ruolo di accesso al servizio con le autorizzazioni per leggere il proprio repository e l'immagine Amazon ECR. Ciò consente di utilizzare l'azione.
CreateConfigureModelAlgorithmPer ulteriori informazioni, consulta Crea un ruolo di servizio per fornire un modello ML personalizzato. -
Il membro che crea i set di dati
MLInputChannelper l'addestramento o l'inferenza deve fornire un ruolo di accesso al servizio che consenta a Clean Rooms ML di eseguire una query SQL in. AWS Clean Rooms Ciò consente di utilizzare le azioniCreateTrainedModelandStartTrainedModelInferenceJob. Per ulteriori informazioni, consulta Crea un ruolo di servizio per interrogare un set di dati.
-
-
Gli autori del modello devono seguire la Linee guida per la creazione di modelli per il contenitore di formazione e Linee guida per la creazione di modelli per il contenitore di inferenza per assicurarsi che gli input e gli output del modello siano configurati come previsto da. AWS Clean Rooms
