Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Mengaitkan algoritma model yang dikonfigurasi di AWS Clean Rooms MS
Setelah Anda mengonfigurasi algoritma model, Anda siap untuk mengaitkan algoritma model dengan kolaborasi. Mengaitkan algoritma model membuat algoritma model tersedia untuk semua anggota kolaborasi.
Gambar berikut menunjukkan mengaitkan algoritma model yang dikonfigurasi sebagai langkah terakhir, setelah membuat gambar pelatihan kontainer dan mengonfigurasi algoritma model.

- Console
-
Untuk mengaitkan algoritma model ML kustom (konsol)
-
Masuk ke AWS Management Console dan buka AWS Clean Rooms konsol di https://console.aws.amazon.com/cleanrooms
. -
Di panel navigasi kiri, pilih model Custom ML.
-
Pada halaman model Custom ML, pilih algoritma model yang dikonfigurasi yang ingin Anda kaitkan dengan kolaborasi dan klik Associate to collaboration.
-
Di jendela algoritma model yang dikonfigurasi Associate, pilih Kolaborasi yang ingin Anda kaitkan.
-
Pilih Pilih kolaborasi.
-
- API
-
Untuk mengaitkan algoritma model HTML kustom (API)
Jalankan kode berikut dengan parameter spesifik Anda.
Anda juga menyediakan kebijakan privasi yang menentukan siapa yang memiliki akses ke log yang berbeda, memungkinkan pelanggan untuk menentukan regex, dan berapa banyak data yang dapat diekspor dari output model pelatihan atau hasil inferensi.
catatan
Asosiasi algoritma model yang dikonfigurasi tidak dapat diubah.
import boto3 acr_ml_client= boto3.client('cleanroomsml') acr_ml_client.create_configured_model_algorithm_association( name='
configured_model_algorithm_association_name
', description='purpose of the association
', membershipIdentifier='membership_id
', configuredModelAlgorithmArn= 'arn:aws:cleanrooms-ml:region
:account
:membership
/membershipIdentifier/configured-model-algorithm
/identifier
', privacyConfiguration = { "policies": { "trainedModels": { "containerLogs": [ { "allowedAccountIds": ['member_account_id
'], }, { "allowedAccountIds": ['member_account_id
'], "filterPattern": "INFO" } ], "containerMetrics": { "noiseLevel": 'noise value
' } }, "trainedModelInferenceJobs": { "containerLogs": [ { "allowedAccountIds": ['member_account_id
'] } ] }, trainedModelExports: { maxSize: { unit: GB, value: 5 }, filesToExport: [ "MODEL", // final model artifacts that container should write to /opt/ml/model directory "OUTPUT" // other artifacts that container should write to /opt/ml/output/data directory ] } } } )Setelah algoritma model yang dikonfigurasi dikaitkan dengan kolaborasi, penyedia data pelatihan harus menambahkan aturan analisis kolaborasi ke tabel mereka. Aturan ini memungkinkan asosiasi algoritma model yang dikonfigurasi untuk mengakses tabel yang dikonfigurasi. Semua penyedia data pelatihan yang berkontribusi harus menjalankan kode berikut:
import boto3 acr_client= boto3.client('cleanrooms') acr_client.create_configured_table_association_analysis_rule( membershipIdentifier= '
membership_id
', configuredTableAssociationIdentifier= 'configured_table_association_id
', analysisRuleType= 'CUSTOM', analysisRulePolicy = { 'v1': { 'custom': { 'allowedAdditionalAnalyses': ['arn:aws:cleanrooms-ml:region
:*:membership
/*/configured-model-algorithm-association/*''], 'allowedResultReceivers': [] } } } )catatan
Karena asosiasi algoritma model yang dikonfigurasi tidak dapat diubah, kami merekomendasikan agar penyedia data pelatihan yang ingin mengizinkan model untuk digunakan untuk menggunakan kartu liar
allowedAdditionalAnalyses
selama beberapa iterasi pertama konfigurasi model kustom. Hal ini memungkinkan penyedia model untuk mengulangi kode mereka tanpa mengharuskan penyedia pelatihan lain untuk mengasosiasikan kembali sebelum melatih kode model mereka yang diperbarui dengan data.