本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 在 AWS Clean Rooms ML 中的訓練模型上執行推論
<a name="run-inference-jobs"></a>

能夠執行查詢的成員也可以在訓練任務完成後啟動推論任務。他們會挑選要執行推論的推論資料集，並參考他們想要執行推論容器的訓練模型輸出。

將接收推論輸出的成員必須獲授予成員能力 `CAN_RECEIVE_INFERENCE_OUTPUT`。

------
#### [ Console ]

**建立模型推論任務 （主控台）**

1. 登入 AWS Management Console 並在 https：//[https://console.aws.amazon.com/cleanrooms](https://console.aws.amazon.com/cleanrooms/home) 開啟 AWS Clean Rooms 主控台。

1. 在左側導覽窗格中，選擇**協同合作**。

1. 在**協同**合作頁面上，選擇包含您要建立推論任務之自訂模型的協同合作。

1. 協同合作開啟後，選擇 **ML 模型**索引標籤，然後從**自訂訓練模型資料表中選擇您的模型**。

1. 在自訂訓練模型詳細資訊頁面上，按一下**開始推論任務**。

1. 針對**開始推論任務**，針對**推論任務詳細資訊**，輸入**名稱**和選用**的描述**。

   輸入下列資訊：
   + **關聯的模型演算法** – 在推論任務期間使用的關聯模型演算法。
   + **ML 輸入通道詳細資訊** – 將為此推論任務提供資料的 ML 輸入通道。
   + **轉換資源** – 用來執行推論任務轉換功能的運算執行個體。
   + **輸出組態** – 誰會收到推論任務輸出和輸出的 MIME 類型。
   + **加密** – 選擇**自訂加密設定**，以指定您自己的 KMS 金鑰和相關資訊。否則，Clean Rooms ML 會管理加密。
   + **轉換任務詳細資訊** – 推論任務的最大承載，以 MB 為單位。
   + **環境變數** – 存取推論任務容器映像所需的任何環境變數。

1. （選用） 針對**模型推論付款人**，選取支付模型推論成本的協同合作成員。
**注意**  
如果協同合作中只有一個適合模型推論的付款人，則預設為該付款人。

1. 選擇**開始推論任務**。

   結果會匯出至 ML 組態中指定的 Amazon S3 位置中的下列路徑：`yourSpecifiedS3Path/collaborationIdentifier/trainedModelName/callerAccountId/jobName`。

------
#### [ API ]

建立模型推論任務 (API)

執行下列程式碼來啟動推論任務：

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

acr_ml_client.start_trained_model_inference_job(
    name="inference_job",
    membershipIdentifier='{{membership_id}}',
    trainedModelArn='arn:aws:cleanrooms-ml:{{region}}:{{account}}:{{membership}}/membershipIdentifier/trained-model/{{identifier}}', 
    
    dataSource={
        "mlInputChannelArn": 'channel_arn_3'
    },
    resourceConfig={'instanceType': 'ml.m5.xlarge'},
    outputConfiguration={
        'accept': 'text/csv',
        'members': [
            {
                "accountId": '{{member_account_id}}'
            }
        ]
    }
)
```

結果會匯出至 ML 組態中指定的 Amazon S3 位置中的下列路徑：`yourSpecifiedS3Path/collaborationIdentifier/trainedModelName/callerAccountId/jobName`。

------