Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Aufbau und Beitritt zur Zusammenarbeit in AWS Clean Rooms ML
Der Ersteller der Kollaboration ist dafür verantwortlich, die Kollaboration zu erstellen, Mitglieder einzuladen und ihnen Rollen zuzuweisen. Die eingeladenen Mitglieder treten der Kollaboration bei und legen die Ergebniseinstellungen und Zieleinstellungen für die Artefakte des trainierten Modells fest und übernehmen die Zahlungsverpflichtungen, je nachdem, wie die Kollaboration eingerichtet ist.
Aufbau einer Zusammenarbeit für maschinelles Lernen
Das folgende Verfahren zeigt, wie Sie eine Kollaboration für maschinelles Lernen einrichten, ein oder mehrere Mitglieder einladen und Mitglieder zuweisen, die mit dem Modelltraining beginnen, Ergebnisse erhalten, trainierte Modellergebnisse, einschließlich Modellartefakte und Metriken, erhalten und Modellinferenzergebnisse erhalten können. Der Ersteller der Kollaboration weist außerdem ein Mitglied zu, das die Kosten für die Berechnung von Abfragen, das Modelltraining und die Modellinferenz trägt.
- Console
-
Um eine Kollaboration für maschinelles Lernen zu erstellen (Konsole)
-
Weisen Sie Mitgliedern mithilfe von Abfragen und Jobs die folgenden Analysefähigkeiten zu:
-
Weisen Sie dem Mitglied, das mit dem Modelltraining beginnen wird, Abfragen ausführen zu.
-
Weisen Sie den Mitgliedern, die Abfrageergebnisse erhalten sollen, die Option Ergebnisse aus der Analyse empfangen zu.
-
-
Weisen Sie Mitgliedern mithilfe speziell entwickelter Workflows die folgenden Fähigkeiten für die ML-Modellierung zu:
-
Weisen Sie dem Mitglied, das die Ergebnisse des trainierten Modells, einschließlich Modellartefakten und Metriken, erhalten soll, die Empfangsausgabe von trainierten Modellen zu.
-
Weisen Sie dem Mitglied, das die Ergebnisse der Modellinferenz erhalten soll, die Ergebnisse der Modellinferenz empfangen zu.
-
-
Geben Sie unter Zahlung konfigurieren die Mitglieder an, die für die Kosten für die Abfrageberechnung, das Modelltraining und die Modellinferenz aufkommen sollen. Jede dieser Kosten kann denselben oder unterschiedlichen Mitgliedern zugewiesen werden. Wenn es sich bei einem eingeladenen Mitglied um das Mitglied handelt, das für die Zahlung der Zahlungskosten verantwortlich ist, muss es seine Zahlungsverpflichtungen akzeptieren, bevor es der Zusammenarbeit beitritt.
-
Bei der Option Mitgliedschaft konfigurieren kann der Ersteller der Kollaboration entscheiden, ob er der Mitgliedschaft jetzt beitreten oder später eine Mitgliedschaft erstellen möchte. Der Ersteller der Kollaboration muss dann die ML-Konfiguration einrichten.
-
Wenn der Ersteller der Kollaboration auch der Empfänger der Ergebnisse ist, muss er auch das Ziel und das Format der Abfrageergebnisse in den Standardeinstellungen für die Ergebniseinstellungen angeben.
-
Die ML-Konfiguration bietet Clean Rooms ML die Rolle, Metriken auf einem AWS-Konto zu veröffentlichen. Wenn der Kollaborationsersteller auch trainierte Modellartefakte erhält, kann er den Amazon S3 S3-Bucket angeben, der für den Empfang von Ergebnissen verwendet wird.
-
Wählen Sie im Abschnitt ML-Konfigurationen die Option ML-Konfiguration erstellen aus und geben Sie dann das Model-Ausgabeziel auf Amazon S3 und die Service-Zugriffsrolle an, die für den Zugriff auf diesen Speicherort erforderlich ist.
-
Wenn der Gründer der Kollaboration das Mitglied ist, das für die Zahlung der Zahlungskosten verantwortlich ist, muss er vor der Erstellung der Kollaboration seine Zahlungsverpflichtungen akzeptieren.
-
- API
-
Um eine Kollaboration für maschinelles Lernen (API) zu erstellen
-
Weisen Sie Mitgliedern der Kollaboration die folgenden Rollen zu:
-
CAN_QUERY
- wird dem Mitglied zugewiesen, das mit dem Modelltraining und der Inferenz beginnen wird. -
CAN_RECEIVE_MODEL_OUTPUT
- wird den Mitgliedern zugewiesen, die trainierte Modellergebnisse erhalten. -
CAN_RECEIVE_INFERENCE_OUTPUT
- wird den Mitgliedern zugewiesen, die die Ergebnisse der Modellinferenz erhalten.
Wenn der Kollaborationsersteller auch der Empfänger der Ergebnisse ist, muss er bei der Erstellung der Kollaboration auch das Ziel und das Format der Abfrageergebnisse angeben. Sie weisen auch eine Servicerolle Amazon Resource Name (ARN) zu, um die Ergebnisse in das Ziel der Abfrageergebnisse zu schreiben.
-
-
Geben Sie die Mitglieder an, die für die Kosten für die Berechnung von Abfragen, das Modelltraining und die Modellinferenz aufkommen sollen. Jede dieser Kosten kann denselben oder unterschiedlichen Mitgliedern zugewiesen werden. Wenn es sich bei einem eingeladenen Mitglied um das Mitglied handelt, das für die Zahlung der Zahlungskosten verantwortlich ist, muss es seine Zahlungsverpflichtungen akzeptieren, bevor es der Zusammenarbeit beitritt.
-
Der folgende Code erstellt eine Kollaboration, lädt ein Mitglied ein, das Abfragen ausführen und Ergebnisse empfangen kann, und gibt den Kollaborationsersteller als Empfänger der Modellartefakte an.
import boto3 acr_client= boto3.client('cleanrooms') collaboration = a_acr_client.create_collaboration( members=[ { 'accountId': '
invited_member_accountId
', 'memberAbilities':["CAN_QUERY","CAN_RECEIVE_RESULTS"], 'displayName': 'member_display_name
' } ], name='collaboration_name
', description=collaboration_description
, creatorMLMemberAbilities= { 'customMLMemberAbilities':["CAN_RECEIVE_MODEL_OUTPUT", "CAN_RECEIVE_INFERENCE_OUTPUT"], }, creatorDisplayName='creator_display_name
', queryLogStatus="ENABLED", analyticsEngine="SPARK", creatorPaymentConfiguration={ "queryCompute": { "isResponsible": True }, "machineLearning": { "modelTraining": { "isResponsible": True }, "modelInference": { "isResponsible": True } } } ) collaboration_id = collaboration['collaboration']['id'] print("collaborationId: {collaboration_id}") member_membership = a_acr_client.create_membership( collaborationIdentifier = collaboration_id, queryLogStatus = 'ENABLED', paymentConfiguration={ "queryCompute": { "isResponsible": True }, "machineLearning": { "modelTraining": { "isResponsible": True }, "modelInference": { "isResponsible": True } } } ) -
Der Ersteller der Kollaboration muss dann die ML-Konfiguration einrichten. Die ML-Konfiguration bietet Clean Rooms ML die Rolle, Metriken und Protokolle auf einem zu veröffentlichen AWS-Konto. Wenn der Ersteller der Kollaboration auch Ergebnisse erhält (Modellartefakte oder Inferenzergebnisse), kann er den Amazon S3 S3-Bucket angeben, der für den Empfang von Ergebnissen verwendet wird.
import boto3 acr_ml_client= boto3.client('cleanroomsml') acr_ml_client.put_ml_configuration( membershipIdentifier=
membership_id
, defaultOutputLocation={ 'roleArn':'arn:aws:iam::account
:role
/roleName
', 'destination':{ 's3Destination':{ 's3Uri':"s3://bucketName/prefix
" } } } )
Einer Kollaboration beitreten
Nachdem der Ersteller der Kollaboration seine Aufgaben erledigt hat, müssen die eingeladenen Mitglieder ihre Aufgaben erledigen.
- Console
-
Um eine Mitgliedschaft zu erstellen und einer Kollaboration beizutreten (Konsole)
-
Das eingeladene Mitglied erstellt eine Mitgliedschaft und tritt der Kollaboration bei.
-
Wenn es sich bei dem eingeladenen Mitglied um das Mitglied handelt, das für die Zahlung der Kosten, einschließlich der Kosten für die Berechnung von Abfragen, das Modelltraining und die Modellinferenz verantwortlich ist, muss es seine Zahlungsverpflichtungen akzeptieren, bevor es der Kollaboration beitreten kann.
-
Das eingeladene Mitglied richtet die ML-Konfiguration ein, die Clean Rooms ML die Rolle einräumt, Modellmetriken auf einem AWS-Konto zu veröffentlichen. Wenn sie auch das Mitglied sind, das trainierte Modellartefakte erhält, muss sie einen Amazon S3 S3-Bucket angeben, in dem trainierte Modellartefakte gespeichert werden.
-
- API
-
Um eine Mitgliedschaft zu erstellen und einer Kollaboration beizutreten (API)
-
Wenn das eingeladene Mitglied das Mitglied ist, das Ergebnisse erhalten kann, gibt es das Ziel und das Format der Abfrageergebnisse an. Sie bieten auch eine Dienstrolle (ARN), die es dem Dienst ermöglicht, in das Ziel der Abfrageergebnisse zu schreiben.
Wenn es sich bei dem eingeladenen Mitglied um das Mitglied handelt, das für die Bezahlung der Kosten, einschließlich der Kosten für die Abfrageberechnung, das Modelltraining und die Modellinferenz verantwortlich ist, muss es seine Zahlungsverpflichtungen akzeptieren, bevor es der Kollaboration beitreten kann.
Handelt es sich bei dem eingeladenen Mitglied um das Mitglied, das für die Bezahlung von Modellschulungen und Modellinferenzen für benutzerdefinierte Modelle verantwortlich ist, muss es seinen Zahlungsverpflichtungen nachkommen, bevor es der Zusammenarbeit beitritt.
Der folgende Code erstellt eine Mitgliedschaft mit aktivierter Abfrageprotokollierung.
import boto3 acr_client= boto3.client('cleanrooms') acr_client.create_membership( membershipIdentifier='
membership_id
', queryLogStatus='ENABLED' ) -
Das eingeladene Mitglied richtet die ML-Konfiguration ein, die Clean Rooms ML die Rolle einräumt, Modellmetriken auf einem zu veröffentlichen AWS-Konto. Wenn sie auch das Mitglied sind, das trainierte Modellartefakte erhält, muss sie einen Amazon S3 S3-Bucket bereitstellen, in dem trainierte Modellartefakte gespeichert werden.
import boto3 acr_ml_client= boto3.client('cleanroomsml') acr_ml_client.put_ml_configuration( membershipIdentifier='
membership_id
', defaultOutputLocation={ 'roleArn':"arn:aws:iam::account
:role
/role_name
", 'destination':{ 's3Destination':{ 's3Uri':"s3://bucket_name/prefix
" } } } )
-