기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# AWS Clean Rooms ML의 사용자 지정 모델링
<a name="working-with-custom-models"></a>

기술적 관점에서 다음 다이어그램은 AWS Clean Rooms ML에서 사용자 지정 ML 모델링이 작동하는 방식을 설명합니다.

![AWS Clean Rooms ML이 사용자 지정 모델과 작동하는 방식에 대한 개요입니다.](http://docs.aws.amazon.com/ko_kr/clean-rooms/latest/userguide/images/byomHowItWorks.png)


다음은 Clean Rooms ML에서 사용자 지정 ML 모델링이 작동하는 방식입니다.

1. 데이터 소스 구성
   + 소스 데이터는 Amazon S3 카탈로그, AWS Glue Data Catalog또는 Snowflake에 저장할 수 있습니다.
   + AWS Glue Data Catalog 는 구성 및 카탈로그 작성에 사용됩니다.
   + 여러의 데이터를 동일한 공동 작업 내에서 사용할 AWS 계정 수 있습니다.

1. SQL 쿼리 및 데이터 처리
   + SQL 쿼리는 소스 데이터에 액세스하고 처리하는 데 사용됩니다.
   + 쿼리는 AWS Clean Rooms 공동 작업 경계 내에서 실행됩니다.
   + 모델 훈련을 위해 ML 입력 채널로 데이터 피드 처리

1. ML 모델 개발
   +  AWS 딥 러닝 컨테이너 이미지를 사용하여 모델의 소스 코드를 개발할 수 있습니다.
   + 사용자 지정 컨테이너 이미지를 생성하여 Amazon Elastic Container Registry에 저장해야 합니다.

1. 인프라 구성 요소
   + Amazon Elastic Container Registry는 ML 모델 컨테이너를 저장하고 관리합니다.
   + ML 처리는 보안 AWS Clean Rooms 협업 환경 내에서 이루어집니다.

1. 모니터링 및 로깅
   + Amazon CloudWatch는 두 공동 작업에 대한 지표와 로그를 제공합니다.
   + 공동 작업에 AWS 계정 관련된에서 모니터링을 사용할 수 있습니다.
   + 관련 당사자가 성능 지표 및 운영 로그에 액세스할 수 있음

1. 결과 관리
   + 결과에 대한 액세스는 공동 작업 권한에 따라 제어됩니다.

시작하기 전에 [사용자 지정 ML 모델링 사전 조건](custom-model-prerequisites.md) 및 [훈련 컨테이너에 대한 모델 작성 지침](custom-model-guidelines.md)에서 자세한 내용을 참조하세요.