View a markdown version of this page

AWS Clean Rooms ML - AWS Clean Rooms
Terminologia AWS Clean Rooms MLCome funziona AWS Clean Rooms ML AWS Modelli  Come funziona AWS Clean Rooms ML con modelli personalizzati

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.

AWS Clean Rooms ML

AWS Clean Rooms ML consente a due o più parti di eseguire modelli di machine learning sui propri dati senza la necessità di condividerli tra loro. Il servizio fornisce controlli che migliorano la privacy che consentono ai proprietari dei dati di proteggere in sicurezza i propri dati e l'IP del modello. Puoi utilizzare modelli AWS creati o portare il tuo modello personalizzato.

Per una spiegazione più dettagliata di come funziona, consultaCross-account lavori.

Per ulteriori informazioni sulle funzionalità dei modelli Clean Rooms ML, consultate i seguenti argomenti.

Argomenti

Terminologia AWS Clean Rooms ML

È importante comprendere la seguente terminologia quando si utilizza Clean Rooms ML:

  • Fornitore di dati di formazione: la parte che fornisce i dati di formazione, crea e configura un modello simile e quindi associa quel modello simile a una collaborazione.

  • Fornitore di dati iniziali: la parte che fornisce i dati iniziali, genera un segmento simile ed esporta il relativo segmento simile.

  • Dati di addestramento: i dati del fornitore di dati di addestramento, utilizzati per generare un modello simile. I dati di addestramento vengono utilizzati per misurare la somiglianza nei comportamenti degli utenti.

    I dati di allenamento devono contenere un ID utente, un ID elemento e una colonna timestamp. Facoltativamente, i dati di allenamento possono contenere altre interazioni come caratteristiche numeriche o categoriali. Esempi di interazioni sono un elenco di video guardati, articoli acquistati o articoli letti.

  • Dati iniziali: i dati del fornitore di dati iniziali, utilizzati per creare un segmento simile. I dati iniziali possono essere forniti direttamente o possono provenire dai risultati di una AWS Clean Rooms query. L'output del segmento lookalike è un insieme di utenti ricavato dai dati di addestramento che assomiglia maggiormente agli utenti iniziali.

  • Modello Lookalike: un modello di machine learning dei dati di training utilizzato per trovare utenti simili in altri set di dati.

    Quando si utilizza l'API, il termine modello di pubblico viene utilizzato in modo equivalente a modello lookalike. Ad esempio, si utilizza l'CreateAudienceModelAPI per creare un modello simile.

  • Segmento Lookalike: un sottoinsieme dei dati di addestramento che assomiglia maggiormente ai dati iniziali.

    Quando si utilizza l'API, si crea un segmento simile con l'API. StartAudienceGenerationJob

I dati del fornitore di dati di formazione non vengono mai condivisi con il fornitore di dati iniziali e i dati del fornitore di dati iniziali non vengono mai condivisi con il fornitore di dati di formazione. L'output del segmento simile viene condiviso con il fornitore di dati di formazione, ma mai con il fornitore di dati iniziali.

Come funziona AWS Clean Rooms ML AWS Modelli  

Una panoramica di come AWS Clean Rooms ML funziona con AWS i modelli.

Lavorare con modelli simili richiede che due parti, un fornitore di dati di formazione e un fornitore di dati iniziali, lavorino in sequenza AWS Clean Rooms per portare i propri dati in una collaborazione. Questo è il flusso di lavoro che il fornitore di dati di formazione deve completare per primo:

  1. I dati del fornitore di dati di formazione devono essere archiviati in una tabella del catalogo AWS Glue dati delle interazioni utente-elemento. Come minimo, i dati di allenamento devono contenere una colonna ID utente, una colonna ID di interazione e una colonna timestamp.

  2. Il fornitore di dati di allenamento registra i dati di allenamento con. AWS Clean Rooms

  3. Il fornitore di dati di formazione crea un modello simile che può essere condiviso con più fornitori di dati iniziali. Il modello lookalike è una rete neurale profonda che può richiedere fino a 24 ore per l'addestramento. Non viene riaddestrato automaticamente e ti consigliamo di riaddestrare il modello settimanalmente.

  4. Il fornitore di dati di formazione configura il modello lookalike, incluso se condividere le metriche di pertinenza e la posizione Amazon S3 dei segmenti di output. Il fornitore di dati di formazione può creare più modelli lookalike configurati a partire da un singolo modello lookalike.

  5. Il fornitore di dati di formazione associa il modello di pubblico configurato a una collaborazione condivisa con un fornitore di seed data.

Questo è il flusso di lavoro che il fornitore di dati iniziali deve completare successivamente:

  1. I dati del fornitore di dati iniziali possono essere archiviati in un bucket Amazon S3 o possono provenire dai risultati di una query.

  2. Il fornitore di dati iniziali avvia la collaborazione che condivide con il fornitore di dati di formazione.

  3. Il fornitore di seed data crea un segmento simile dalla scheda Clean Rooms ML della pagina di collaborazione.

  4. Il fornitore di seed data può valutare le metriche di pertinenza, se sono state condivise, ed esportare il segmento simile per utilizzarlo all'esterno. AWS Clean Rooms

Come funziona AWS Clean Rooms ML con modelli personalizzati

Con Clean Rooms ML, i membri di una collaborazione possono utilizzare un algoritmo di modello personalizzato dockerizzato archiviato in Amazon ECR per analizzare congiuntamente i propri dati. A tale scopo, il fornitore del modello deve creare un'immagine e archiviarla in Amazon ECR. Segui i passaggi indicati nella Guida per l'utente di Amazon Elastic Container Registry per creare un repository privato che conterrà il modello ML personalizzato.

Qualsiasi membro di una collaborazione può essere il fornitore del modello, a condizione che disponga delle autorizzazioni corrette. Tutti i membri di una collaborazione possono contribuire al modello con dati di addestramento, dati di inferenza o entrambi. Ai fini di questa guida, i membri che forniscono dati sono indicati come fornitori di dati. Il membro che crea la collaborazione è il creatore della collaborazione e questo membro può essere il fornitore del modello, uno dei fornitori di dati o entrambi.

Al livello più alto, ecco i passaggi da completare per eseguire la modellazione ML personalizzata:

  1. Il creatore della collaborazione crea una collaborazione e assegna a ciascun membro le capacità e la configurazione di pagamento appropriate. Il creatore della collaborazione deve assegnare al membro appropriato la capacità di ricevere gli output del modello o i risultati di inferenza al membro appropriato in questa fase, poiché non può essere aggiornata dopo la creazione della collaborazione. Per ulteriori informazioni, consulta Creazione e partecipazione alla collaborazione in AWS Clean Rooms ML.

  2. Il fornitore del modello configura e associa il proprio modello ML containerizzato alla collaborazione e garantisce che siano impostati vincoli di privacy per i dati esportati. Per ulteriori informazioni, consulta Configurazione di un algoritmo di modello in AWS Clean Rooms ML.

  3. I fornitori di dati contribuiscono con i propri dati alla collaborazione e garantiscono che le loro esigenze di privacy siano specificate. I fornitori di dati devono consentire al modello di accedere ai propri dati. Per ulteriori informazioni, consulta Contribuire con dati di formazione in AWS Clean Rooms ML e Associazione dell'algoritmo del modello configurato in AWS Clean Rooms ML.

  4. Un membro della collaborazione crea la configurazione ML, che definisce dove vengono esportati gli artefatti del modello o i risultati di inferenza.

  5. Un membro della collaborazione crea un canale di input ML che fornisce input al contenitore di formazione o al contenitore di inferenza. Il canale di input ML è una query che definisce i dati da utilizzare nel contesto dell'algoritmo del modello.

  6. Un membro della collaborazione richiama l'addestramento del modello utilizzando il canale di input ML e l'algoritmo del modello configurato. Per ulteriori informazioni, consulta Creazione di un modello addestrato in AWS Clean Rooms ML.

  7. (Facoltativo) Il model trainer richiama il processo di esportazione del modello e gli artefatti del modello vengono inviati al ricevitore dei risultati del modello. Solo i membri con una configurazione ML valida e la capacità del membro di ricevere l'output del modello possono ricevere gli artefatti del modello. Per ulteriori informazioni, consulta Esportazione di artefatti del modello da AWS Clean Rooms ML.

  8. (Facoltativo) Un membro della collaborazione richiama l'inferenza del modello utilizzando il canale di input ML, l'ARN del modello addestrato e l'algoritmo del modello configurato per l'inferenza. I risultati dell'inferenza vengono inviati al ricevitore di uscita dell'inferenza. Solo i membri con una configurazione ML valida e la capacità del membro di ricevere l'output di inferenza possono ricevere risultati di inferenza.

Ecco i passaggi che devono essere completati dal fornitore del modello:

  1. Crea un'immagine docker Amazon ECR compatibile con l' SageMaker intelligenza artificiale. Clean Rooms ML supporta solo immagini SageMaker docker compatibili con AI.

  2. Dopo aver creato un'immagine docker compatibile con l' SageMaker IA, invia l'immagine ad Amazon ECR. Segui le istruzioni nella Guida per l'utente di Amazon Elastic Container Registry per creare un'immagine di formazione del contenitore.

  3. Configura l'algoritmo del modello da utilizzare in Clean Rooms ML.

    1. Fornisci il link al repository Amazon ECR e tutti gli argomenti necessari per configurare l'algoritmo del modello.

    2. Fornisci un ruolo di accesso al servizio che consenta a Clean Rooms ML di accedere al repository Amazon ECR.

    3. Associa l'algoritmo del modello configurato alla collaborazione. Ciò include la fornitura di una politica sulla privacy che definisce i controlli per i log dei container, i log degli errori, CloudWatch le metriche e i limiti sulla quantità di dati che può essere esportata dai risultati del contenitore.

Ecco i passaggi che devono essere completati dal fornitore di dati per collaborare con un modello ML personalizzato:

  1. Configura una AWS Glue tabella esistente con una regola di analisi personalizzata. Ciò consente a una serie specifica di query o account preapprovati di utilizzare i tuoi dati.

  2. Associa la tabella configurata a una collaborazione e fornisci un ruolo di accesso al servizio in grado di accedere alle tue tabelle. AWS Glue

  3. Aggiungi una regola di analisi della collaborazione alla tabella che consenta all'associazione dell'algoritmo del modello configurato di accedere alla tabella configurata.

  4. Dopo che il modello e i dati sono stati associati e configurati in Clean Rooms ML, il membro con la possibilità di eseguire query fornisce una query SQL e seleziona l'algoritmo del modello da utilizzare.

Al termine dell'addestramento del modello, quel membro avvia l'esportazione degli artefatti di addestramento del modello o dei risultati di inferenza. Questi artefatti o risultati vengono inviati al membro con la possibilità di ricevere l'output del modello addestrato. Il destinatario dei risultati deve configurarli MachineLearningConfiguration prima di poter ricevere l'output del modello.