Modélisation personnalisée dans AWS Clean Rooms ML

D'un point de vue technique, le schéma suivant décrit le fonctionnement de la modélisation ML personnalisée dans AWS Clean Rooms ML.

Voici comment fonctionne la modélisation ML personnalisée dans Clean Rooms ML :

1. Configuration de la source de données

   • Les données sources peuvent être stockées dans le catalogue Amazon S3, dans le AWS Glue Data Catalog ou dans Snowflake

   • AWS Glue Data Catalog est utilisé pour organiser et cataloguer

   • Les données provenant de plusieurs Comptes AWS sources peuvent être utilisées dans le cadre d'une même collaboration

2. Requête SQL et traitement des données

   • Les requêtes SQL sont utilisées pour accéder aux données sources et les traiter

   • Les requêtes s'exécutent dans les limites de la AWS Clean Rooms collaboration

   • Les données traitées sont transmises aux canaux d'entrée ML pour l'entraînement des modèles

3. Développement de modèles ML

   • Le code source du modèle peut être développé à l'aide de AWS Deep Learning Container Images

   • Les images de conteneur personnalisées doivent être créées et stockées dans Amazon Elastic Container Registry

4. Composantes de l'infrastructure

   • Amazon Elastic Container Registry stocke et gère les conteneurs du modèle ML

   • Le traitement du ML s'effectue dans un environnement de AWS Clean Rooms collaboration sécurisé

5. Surveillance et journalisation

   • Amazon CloudWatch fournit des statistiques et des journaux aux deux parties collaboratrices

   • Le suivi est disponible pour toutes les Comptes AWS personnes impliquées dans la collaboration

   • Les indicateurs de performance et les journaux opérationnels sont accessibles aux parties concernées

6. Gestion des résultats

   • L'accès aux résultats est contrôlé en fonction des autorisations de collaboration

Avant de commencer, consultez le Prérequis pour la modélisation ML personnalisée et Consignes de création de modèles pour le conteneur de formation pour plus d'informations.

Rubriques

• Création et adhésion à la collaboration dans AWS Clean Rooms ML

• Contribution de données de formation dans AWS Clean Rooms ML

• Configuration d'un algorithme de modèle dans AWS Clean Rooms ML

• Associer l'algorithme du modèle configuré dans AWS Clean Rooms ML

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

• Création d'un modèle entraîné dans AWS Clean Rooms ML

• Exportation d'artefacts de modèles depuis AWS Clean Rooms ML

• Exécution d'une inférence sur un modèle entraîné dans AWS Clean Rooms ML