Création d'un canal d'entrée ML dans AWS Clean Rooms ML

Prérequis :

• Et Compte AWS avec accès à AWS Clean Rooms

• Une collaboration configurée dans l' AWS Clean Rooms endroit où vous souhaitez créer le canal d'entrée ML

• Autorisations pour interroger des données et créer des canaux d'entrée ML dans le cadre de la collaboration.

• (Facultatif) Un algorithme de modèle existant à associer au canal d'entrée ML, ou des autorisations pour en créer un nouveau

• (Facultatif) Tables avec des règles d'analyse qui peuvent être exécutées pour le modèle que vous avez spécifié.

• (Facultatif) Modèle de requête ou d'analyse SQL existant à utiliser pour générer le jeu de données

• (Facultatif) Un rôle de service existant avec les autorisations appropriées, ou des autorisations pour créer un nouveau rôle de service

• (Facultatif) Une AWS KMS clé personnalisée si vous souhaitez utiliser votre propre clé de chiffrement

• Autorisations appropriées pour créer et gérer des modèles de machine learning dans le cadre de la collaboration

Un canal d'entrée ML est un ensemble de données créé à partir d'une requête de données spécifique. Les membres capables d'interroger des données peuvent préparer leurs données pour l'entraînement et l'inférence en créant un canal d'entrée ML. La création d'un canal d'entrée ML permet d'utiliser ces données dans différents modèles d'entraînement au sein d'une même collaboration. Vous devez créer des canaux d'entrée ML distincts pour l'entraînement et l'inférence.

Pour créer un canal d'entrée ML, vous devez spécifier la requête SQL utilisée pour interroger les données d'entrée et créer le canal d'entrée ML. Les résultats de cette requête ne sont jamais partagés avec aucun membre et restent dans les limites de Clean Rooms ML. Le nom de ressource Amazon (ARN) de référence est utilisé dans les étapes suivantes pour entraîner un modèle ou exécuter une inférence.

Console

Pour créer un canal d'entrée ML (console)

1. Connectez-vous à la AWS Clean Rooms console AWS Management Console et ouvrez-la à l'adresse https://console.aws.amazon.com/cleanrooms.

2. Dans le volet de navigation de gauche, sélectionnez Collaborations.

3. Sur la page Collaborations, choisissez la collaboration dans laquelle vous souhaitez créer un canal d'entrée ML.

4. Une fois la collaboration ouverte, choisissez l'onglet Modèles ML.

5. Sous Modèles ML personnalisés, dans la section Canaux d'entrée ML, choisissez Créer un canal d'entrée ML.

6. Sur la page Créer un canal d'entrée ML, pour les détails du canal d'entrée ML, procédez comme suit :

   1. Dans Nom, entrez un nom unique pour votre chaîne.

   2. (Facultatif) Dans Description, entrez une description de votre chaîne.

   3. Pour Algorithme de modèle associé, sélectionnez l'algorithme à utiliser.

      Choisissez Associer un algorithme de modèle pour en ajouter un nouveau.

7. Pour Dataset, choisissez une méthode pour générer le jeu de données d'entraînement :

   • Choisissez SQL query pour utiliser les résultats d'une requête SQL comme ensemble de données d'apprentissage.

     Si vous avez choisi SQL query, saisissez votre requête dans le champ de requête SQL.

     (Facultatif) Pour importer une requête que vous avez utilisée récemment, choisissez Importer à partir de requêtes récentes.

   • Choisissez le modèle d'analyse pour utiliser les résultats d'un modèle d'analyse comme jeu de données d'apprentissage.

     Si vous avez choisi Modèle d'analyse, spécifiez le modèle d'analyse que vous souhaitez.

   1. Si aucune table n'est associée, choisissez Associer une table pour ajouter des tables avec une règle d'analyse pouvant être exécutée pour le modèle spécifié.

   2. Pour Type de travailleur, choisissez le type de travailleur à utiliser. La valeur par défaut est CR.1X.

   3. Pour Nombre de travailleurs, choisissez le nombre de travailleurs à utiliser lors de la création de ce canal de données. La valeur par défaut est 16.

   4. Pour Conservation des données en jours, entrez le nombre de jours pendant lesquels les données sont conservées.

   5. Pour le format des résultats, choisissez CSV ou Parquet comme format de données que le canal d'entrée ML doit utiliser.

8. Pour l'accès au service, choisissez le nom du rôle de service existant qui sera utilisé pour accéder à cette table ou choisissez Créer et utiliser un nouveau rôle de service.

9. Pour le chiffrement, choisissez le secret de chiffrement avec une clé KMS personnalisée pour spécifier votre propre clé KMS et les informations associées. Dans le cas contraire, Clean Rooms ML gérera le chiffrement.

10. Choisissez Create ML input channel.

    La création du canal d'entrée ML prendra quelques minutes. Vous pouvez voir une liste des canaux d'entrée ML dans l'onglet Entrée ML.

Note

Une fois le canal d'entrée ML créé, vous ne pouvez pas le modifier.

API

Pour créer un canal d'entrée ML (API)

Exécutez le code suivant avec vos paramètres spécifiques :

import boto3 
acr_client = boto3.client('cleanroomsml')

acr_client.create_ml_input_channel(
    name="ml_input_channel_name",
    membershipIdentifier='membership_id',
    configuredModelAlgorithmAssociations=[configured_model_algorithm_association_arn],
    retentionInDays=1,
    inputChannel={
        "dataSource": {
            "protectedQueryInputParameters": {
                "sqlParameters": {
                    "queryString": "select * from table"
                "computeConfiguration": {
                    "worker": {
                          "type": "CR.1X",
                          "number": 16
                        }
                    },
                "resultFormat": "PARQUET"
                }
            }
        },
        "roleArn": "arn:aws:iam::111122223333:role/ezcrc-ctm-role"
    }
)
channel_arn = resp['ML Input Channel ARN']