Benutzerdefinierte Modellierung in AWS Clean Rooms ML

Aus technischer Sicht beschreibt das folgende Diagramm, wie die benutzerdefinierte ML-Modellierung in AWS Clean Rooms ML funktioniert.

So funktioniert die benutzerdefinierte ML-Modellierung in Clean Rooms ML:

1. Konfiguration der Datenquelle

   • Quelldaten können im Amazon S3 S3-Katalog AWS Glue Data Catalog, im oder Snowflake gespeichert werden

   • AWS Glue Data Catalog wird zum Organisieren und Katalogisieren verwendet

   • Daten von mehreren AWS-Konten können innerhalb derselben Zusammenarbeit verwendet werden

2. SQL-Abfrage und Datenverarbeitung

   • SQL-Abfragen werden verwendet, um auf die Quelldaten zuzugreifen und sie zu verarbeiten

   • Die Abfragen laufen innerhalb der Grenzen der AWS Clean Rooms Zusammenarbeit

   • Verarbeitete Daten werden für das Modelltraining in ML-Eingangskanäle eingespeist

3. Entwicklung von ML-Modellen

   • Der Quellcode für das Modell kann mithilfe von AWS Deep Learning Container Images entwickelt werden

   • Benutzerdefinierte Container-Images müssen erstellt und in der Amazon Elastic Container Registry gespeichert werden

4. Komponenten der Infrastruktur

   • Amazon Elastic Container Registry speichert und verwaltet die ML-Modellcontainer

   • Die ML-Verarbeitung erfolgt innerhalb der sicheren AWS Clean Rooms Kollaborationsumgebung

5. Überwachung und Protokollierung

   • Amazon CloudWatch stellt Metriken und Protokolle für beide Kooperationspartner bereit

   • Die Überwachung ist für alle an der Zusammenarbeit AWS-Konten Beteiligten verfügbar

   • Leistungskennzahlen und Betriebsprotokolle sind für relevante Parteien zugänglich

6. Verwaltung der Ergebnisse

   • Der Zugriff auf Ergebnisse wird entsprechend den Kollaborationsberechtigungen gesteuert

Bevor Sie beginnen, finden Sie weitere Richtlinien für die Modellerstellung für den Trainingscontainer Informationen unter Voraussetzungen für die benutzerdefinierte ML-Modellierung und.

Themen

• Aufbau und Beitritt zur Zusammenarbeit in AWS Clean Rooms ML

• Bereitstellung von Trainingsdaten in AWS Clean Rooms ML

• Konfiguration eines Modellalgorithmus in AWS Clean Rooms ML

• Zuordnen des konfigurierten Modellalgorithmus in AWS Clean Rooms ML

• Erstellen eines ML-Eingabekanals in AWS Clean Rooms ML

• Erstellen eines trainierten Modells in AWS Clean Rooms ML

• Exportieren von Modellartefakten aus AWS Clean Rooms ML

• Ausführen von Inferenzen auf einem trainierten Modell in AWS Clean Rooms ML