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.

# Modellazione personalizzata in AWS Clean Rooms ML
<a name="working-with-custom-models"></a>

Da un punto di vista tecnico, il seguente diagramma descrive come funziona la modellazione ML personalizzata in AWS Clean Rooms ML.

![Una panoramica di come AWS Clean Rooms ML funziona con modelli personalizzati.](http://docs.aws.amazon.com/it_it/clean-rooms/latest/userguide/images/byomHowItWorks.png)


Ecco come funziona la modellazione ML personalizzata in Clean Rooms ML:

1. Configurazione dell'origine dati
   + I dati di origine possono essere archiviati nel catalogo Amazon S3, nel o AWS Glue Data Catalog Snowflake
   + AWS Glue Data Catalog viene utilizzato per organizzare e catalogare
   + I dati provenienti da più Account AWS fonti possono essere utilizzati all'interno della stessa collaborazione

1. Interrogazione SQL ed elaborazione dati
   + Le query SQL vengono utilizzate per accedere ed elaborare i dati di origine
   + Le interrogazioni vengono eseguite entro i limiti della collaborazione AWS Clean Rooms 
   + I dati elaborati vengono inseriti nei canali di input ML per la formazione dei modelli

1. Sviluppo di modelli ML
   + Il codice sorgente del modello può essere sviluppato utilizzando AWS Deep Learning Container Images
   + Le immagini dei contenitori personalizzate devono essere create e archiviate in Amazon Elastic Container Registry

1. Componenti dell'infrastruttura
   + Amazon Elastic Container Registry archivia e gestisce i contenitori del modello ML
   + L'elaborazione ML avviene all'interno di un ambiente di AWS Clean Rooms collaborazione sicuro

1. Monitoraggio e registrazione
   + Amazon CloudWatch fornisce parametri e log per entrambe le parti che collaborano
   + Il monitoraggio è disponibile per tutte le Account AWS parti coinvolte nella collaborazione
   + Le metriche delle prestazioni e i registri operativi sono accessibili alle parti interessate

1. Gestione dei risultati
   + L'accesso ai risultati è controllato in base alle autorizzazioni di collaborazione

Prima di iniziare, consulta [Prerequisiti per la modellazione ML personalizzata](custom-model-prerequisites.md) e [Linee guida per la creazione di modelli per il contenitore di formazione](custom-model-guidelines.md) per ulteriori informazioni.