Travailler avec le AWS Clean Rooms ML

Un modèle de similarité est un modèle de données d'un fournisseur de données de formation qui permet à un fournisseur de données de départ de créer un segment similaire des données du fournisseur de données de formation qui ressemble le plus à ses données de départ. Pour créer un modèle de similarité utilisable dans une collaboration, vous devez importer vos données de formation, créer un modèle de similarité, configurer ce modèle de similarité, puis l'associer à une collaboration.

Une fois que le fournisseur de données de formation a fini de créer le modèle ML, le fournisseur de données de départ peut créer et exporter le segment de départ.

Utilisation de modèles similaires (fournisseur de données de formation)

Importer des données d'entraînement

Avant de créer un modèle similaire, vous devez spécifier la AWS Glue table contenant les données d'entraînement. Clean Rooms ML ne stocke pas de copie de ces données, mais uniquement des métadonnées qui lui permettent d'accéder aux données.

Pour importer des données d'entraînement dans AWS Clean Rooms

1. Connectez-vous à la AWS Clean Rooms console AWS Management Console et ouvrez-la avec votre Compte AWS (si vous ne l'avez pas encore fait).

2. Dans le volet de navigation de gauche, choisissez ML Modeling.

3. Dans l'onglet Ensembles de données d'entraînement, choisissez Créer un jeu de données d'entraînement.

4. Entrez un nom et une description facultative.

5. Pour Source de données, choisissez votre AWS Glue table :

   1. Choisissez la base de données que vous souhaitez configurer dans la liste déroulante.

   2. Choisissez la source de données d'entraînement en sélectionnant la base de données et la table que vous souhaitez configurer dans les listes déroulantes.

   Note

   Pour vérifier que ce tableau est correct, effectuez l'une des opérations suivantes :

   • Choisissez Afficher dans AWS Glue.

   • Activez Afficher le schéma pour afficher le schéma.

6. Pour les détails de la formation, choisissez la colonne Identifiant utilisateur, la colonne Identifiant de l'article et la colonne Horodatage dans vos données. Les données d'entraînement doivent contenir ces trois colonnes. Vous pouvez également sélectionner les autres colonnes que vous souhaitez inclure dans les données d'entraînement.

   Les données de la colonne Horodatage doivent être au format Unix Epoch en secondes.

7. Dans Accès aux services, vous devez spécifier un rôle de service qui peut accéder à vos données et fournir une clé KMS si vos données sont chiffrées. Choisissez Créer et utiliser un nouveau rôle de service et Clean Rooms ML créera automatiquement un rôle de service et ajoutera la politique d'autorisation nécessaire. Choisissez Utiliser un rôle de service existant et saisissez-le dans le champ Nom du rôle de service si vous souhaitez utiliser un rôle de service spécifique.

   Si vos données sont chiffrées, entrez votre clé KMS dans le AWS KMS keychamp ou cliquez sur Créer une AWS KMS key pour générer une nouvelle clé KMS.

8. Si vous souhaitez activer les balises pour le jeu de données d'entraînement, choisissez Ajouter une nouvelle balise, puis entrez la paire clé/valeur.

9. Choisissez Créer un jeu de données d'entraînement.

Pour l'action d'API correspondante, consultez CreateTrainingDataset.

Création d'un modèle similaire

Après avoir créé un jeu de données d'entraînement, vous êtes prêt à créer un modèle similaire. Vous pouvez créer de nombreux modèles similaires à partir d'un seul jeu de données d'entraînement.

Vous devez créer une base de données par défaut dans votre rôle AWS Glue Data Catalog ou inclure l'glue:createDatabaseautorisation dans le rôle fourni.

Pour créer un modèle similaire dans AWS Clean Rooms

1. Connectez-vous à la AWS Clean Rooms console AWS Management Console et ouvrez-la avec votre Compte AWS (si vous ne l'avez pas encore fait).

2. Dans le volet de navigation de gauche, choisissez ML Modeling.

3. Dans l'onglet Modèles similaires, choisissez Créer un modèle similaire.

4. Pour Créer un modèle similaire, pour les détails du modèle similaire :

   1. Entrez un nom et une description facultative.

   2. Choisissez le jeu de données d'entraînement que vous souhaitez modéliser dans la liste déroulante.

   3. Entrez une fenêtre d'entraînement facultative.

5. Si vous souhaitez activer les paramètres de chiffrement personnalisés pour le modèle similaire, choisissez Personnaliser les paramètres de chiffrement, puis entrez la clé KMS.

6. Si vous souhaitez activer les balises pour le modèle similaire, choisissez Ajouter une nouvelle balise, puis entrez la paire clé/valeur.

7. Choisissez Créer un modèle similaire.

Pour l'action d'API correspondante, consultez CreateAudienceModel.

Configuration d'un modèle similaire

Une fois que vous avez créé un modèle similaire, vous êtes prêt à le configurer pour une utilisation dans le cadre d'une collaboration. Vous pouvez créer plusieurs modèles similaires configurés à partir d'un seul modèle similaire.

Pour configurer un modèle similaire dans AWS Clean Rooms

1. Connectez-vous à la AWS Clean Rooms console AWS Management Console et ouvrez-la avec votre Compte AWS (si vous ne l'avez pas encore fait).

2. Dans le volet de navigation de gauche, choisissez ML Modeling.

3. Dans l'onglet Modèles similaires configurés, choisissez Configurer le modèle similaire.

4. Pour Configurer le modèle similaire, pour les détails du modèle similaire configuré :

   1. Entrez un nom et une description facultative.

   2. Choisissez le modèle Lookalike que vous souhaitez configurer dans la liste déroulante.

   3. Choisissez la taille de graine minimale correspondante que vous souhaitez. Il s'agit du nombre minimum d'utilisateurs dans les données du fournisseur de données de départ qui se chevauchent avec les utilisateurs dans les données de formation. Cette valeur doit être supérieure à 0.

5. Pour que les métriques soient partagées avec d'autres membres, choisissez si vous souhaitez que le fournisseur de données de base de votre collaboration reçoive les métriques du modèle, y compris les scores de pertinence.

6. Pour l'emplacement de destination du segment Lookalike, entrez le compartiment Amazon S3 dans lequel le segment Lookalike est exporté. Ce compartiment doit être situé dans la même région que vos autres ressources.

7. Pour l'accès au service, choisissez le nom du rôle de service existant qui sera utilisé pour accéder à cette table.

8. Choisissez Configurer le modèle similaire.

9. Si vous souhaitez activer les balises pour la ressource de table configurée, choisissez Ajouter une nouvelle balise, puis entrez la paire clé/valeur.

Pour l'action d'API correspondante, consultez CreateConfiguredAudienceModel.

Associer un modèle similaire configuré

Après avoir configuré un modèle similaire, vous pouvez l'associer à une collaboration.

Pour associer un modèle similaire configuré dans AWS Clean Rooms

1. Connectez-vous à la AWS Clean Rooms console AWS Management Console et ouvrez-la avec votre Compte AWS (si vous ne l'avez pas encore fait).

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

3. Dans l'onglet Avec adhésion active, choisissez une collaboration.

4. Dans l'onglet ML Modeling, choisissez Associate lookalike model.

5. Pour le modèle similaire configuré par Associate, pour les détails du modèle similaire Associate :

   1. Entrez un nom pour le modèle d'audience configuré associé.

   2. Entrez une description de la table.

      La description permet de différencier les autres modèles d'audience configurés associés portant des noms similaires.

6. Pour Modèle similaire configuré, choisissez un modèle similaire configuré dans la liste déroulante.

7. Choisissez Associer.

Pour l'action d'API correspondante, consultez CreateConfiguredAudienceModelAssociation.

Mettre à jour un modèle de similarité configuré

Après avoir associé un modèle similaire configuré, vous pouvez le mettre à jour pour modifier des informations telles que le nom, les métriques à partager ou la position Amazon S3 en sortie.

Pour mettre à jour un modèle similaire configuré associé dans AWS Clean Rooms

1. Connectez-vous à la AWS Clean Rooms console AWS Management Console et ouvrez-la avec votre Compte AWS (si vous ne l'avez pas encore fait).

2. Dans le volet de navigation de gauche, choisissez ML modeling.

3. Dans l'onglet Modèles similaires configurés, choisissez un modèle similaire configuré et sélectionnez Modifier.

4. Pour Configurer le modèle similaire, pour les détails du modèle similaire configuré :

   1. Choisissez le modèle Lookalike que vous souhaitez configurer dans la liste déroulante.

   2. Choisissez la taille de graine minimale correspondante que vous souhaitez. Il s'agit du nombre minimum d'utilisateurs dans les données du fournisseur de données de départ qui se chevauchent avec les utilisateurs dans les données de formation. Cette valeur doit être supérieure à 0.

5. Pour que les métriques soient partagées avec d'autres membres, choisissez si vous souhaitez que le fournisseur de données de base de votre collaboration reçoive les métriques du modèle, y compris les scores de pertinence.

6. Pour l'emplacement de destination du segment Lookalike, entrez le compartiment Amazon S3 dans lequel le segment Lookalike est exporté. Ce compartiment doit être situé dans la même région que vos autres ressources.

7. Pour l'accès au service, choisissez le nom du rôle de service existant qui sera utilisé pour accéder à cette table.

8. Pour la configuration avancée de la taille des bacs, choisissez la manière dont vous souhaitez configurer les tailles des bacs d'audience.

9. Sélectionnez Enregistrer les modifications.

Pour l'action d'API correspondante, consultez UpdateConfiguredAudienceModel.

Utilisation de segments similaires (fournisseur de données de départ)

Création d'un segment similaire

Un segment similaire est un sous-ensemble des données d'apprentissage qui ressemble le plus aux données de départ.

Pour créer un segment similaire dans AWS Clean Rooms

1. Connectez-vous à la AWS Clean Rooms console AWS Management Console et ouvrez-la avec votre Compte AWS (si vous ne l'avez pas encore fait).

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

3. Dans l'onglet Avec adhésion active, choisissez une collaboration.

4. Dans l'onglet ML Modeling, choisissez Create lookalike segment.

5. Pour Créer un segment similaire, pour les détails du segment similaire, entrez un nom et une description facultative.

6. Pour les profils de départ, choisissez la source d'entrée Amazon S3 dans laquelle vos données de départ sont stockées.

7. Pour l'accès au service, choisissez le nom du rôle de service existant qui sera utilisé pour accéder à cette table.

8. Si vous souhaitez activer les balises pour le jeu de données d'entraînement, choisissez Ajouter une nouvelle balise, puis entrez la paire clé/valeur.

9. Choisissez Créer un segment similaire.

Pour l'action d'API correspondante, consultez StartAudienceGenerationJob.

Exporter un segment similaire

Après avoir créé un segment similaire, vous pouvez exporter ces données vers un compartiment Amazon S3.

Pour exporter un segment similaire dans AWS Clean Rooms

1. Connectez-vous à la AWS Clean Rooms console AWS Management Console et ouvrez-la avec votre Compte AWS (si vous ne l'avez pas encore fait).

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

3. Dans l'onglet Avec adhésion active, choisissez une collaboration.

4. Dans l'onglet ML Modeling, sélectionnez un segment similaire et choisissez Exporter.

5. Pour Exporter un modèle similaire, pour Exporter les détails du modèle similaire, entrez un nom et une description facultative.

6. Pour Taille du segment, choisissez la taille que vous souhaitez pour le segment exporté.

7. Cliquez sur Exporter.

Pour l'action d'API correspondante, consultez StartAudienceExportJob.

Étapes suivantes

Maintenant que vous avez créé un modèle similaire et exporté un segment de départ, vous êtes prêt à :

• Gérer AWS Clean Rooms