Mengaitkan algoritma model yang dikonfigurasi di AWS Clean Rooms ML

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

catatan

Setelah algoritma model dikaitkan, itu tidak dapat diedit. Untuk membuat perubahan, Anda dapat menghapus algoritma model terkait dan mengaitkan yang baru.

Untuk mengaitkan algoritma model ML kustom (konsol)

1. Masuk ke AWS Management Console dan buka AWS Clean Rooms konsol di https://console.aws.amazon.com/cleanrooms.

2. Di panel navigasi kiri, pilih model Custom MS.

3. Pada halaman model Custom ML, pilih algoritma model yang dikonfigurasi yang ingin Anda kaitkan dengan kolaborasi, lalu pilih Associate to collaboration.

4. Di jendela algoritma model yang dikonfigurasi Associate, pilih Kolaborasi yang ingin Anda kaitkan.

5. Pilih Pilih kolaborasi.

6. Pada halaman algoritma model Associate, untuk detail asosiasi algoritma Model, masukkan Nama dan Deskripsi opsional.

7. Untuk algoritma Model, pilih algoritma model yang dikonfigurasi.

8. Untuk konfigurasi privasi ekspor model Terlatih,

   1. Untuk mengekspor file model, pilih kotak centang File model.

   2. Untuk mengekspor file output, pilih kotak centang File output.

   3. Masukkan nilai ukuran Maks untuk data yang diekspor. Nilainya harus antara 0,01 dan 10.

9. (Opsional) Jika Anda ingin mengirim log kesalahan lengkap atau ringkasan kesalahan yang lebih pendek kepada anggota, di bawah konfigurasi privasi pekerjaan inferensi model terlatih,

   1. Di bawah Log penuh, pilih satu atau beberapa Akun IDs dari daftar dropdown.

   2. (Opsional) Jika Anda ingin mengirim log yang cocok dengan pola filter, masukkan pola Filter.

   3. (Opsional) Jika Anda ingin menambahkan akun lain dan pola filter opsional, pilih Tambahkan kebijakan log.

   4. Di bawah Ringkasan kesalahan, pilih satu atau beberapa Akun IDs dari daftar dropdown.

   5. (Opsional) Pilih satu atau beberapa Entitas yang akan disunting untuk menentukan entitas mana yang akan disunting dari log kesalahan atau ringkasan kesalahan.

      • PII — menyunting Informasi Identifikasi Pribadi

      • Angka - menyunting angka

      • Custom - redact berdasarkan pola redaksi kustom

      1. Jika Anda memilih Custom pada langkah sebelumnya, masukkan pola redaksi kustom. Ini mencatat informasi yang cocok dengan pola ini.

      2. (Opsional) Jika Anda ingin menambahkan pola redaksi khusus lainnya, pilih Tambahkan pola kustom lainnya.

10. (Opsional) Jika Anda ingin mengonfigurasi metrik model terlatih, di bawah konfigurasi metrik model terlatih, pilih tingkat Kebisingan dari daftar tarik-turun.

    Anda dapat memilih Tidak Ada, Rendah, Sedang dan Tinggi.

11. (Opsional) Jika Anda ingin mengatur ukuran artefak maksimum, di bawah Konfigurasi artefak, masukkan nilai ukuran artefak maks. Nilainya harus antara 0,01 dan 10.

12. (Opsional) Jika Anda ingin mengaktifkan Tag, pilih Tambahkan tag baru dan kemudian masukkan pasangan Kunci dan Nilai.

13. Pilih Kaitkan.

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',
    configuredModelAlgorithmArn='arn:aws:cleanrooms-ml:region:account:membership/membershipIdentifier/configured-model-algorithm/identifier',
    privacyConfiguration={
        "policies": {
            "trainedModelExports": {
                "filesToExport": ['files to export'],
                "containerLogs": [
                    {
                        "allowedAccountIds": ['member_account_id'],
                        "filterPattern": ['filter pattern'],
                        "logRedactionConfiguration": {
                            "entitiesToRedact": [
                                'ALL_PERSONALLY_IDENTIFIABLE_INFORMATION',
                                'NUMBERS',
                                'CUSTOM'
                            ],
                            "customEntityConfig": {
                                "customDataIdentifiers": [
                                    'custom_regex_1',
                                    'custom_regex_2'
                                ] 
                            } 
                        } 
                    }
                ],
                "containerMetrics": {
                    "noiseLevel": 'noise value'
                },
                "maxArtifactSize": {
                    "unit": 'unit',
                    "value": 'number'
                }
            },
            "trainedModelInferenceJobs": {
                "containerLogs": [
                    {
                        "allowedAccountIds": ['member_account_id'],
                        "filterPattern": ['filter pattern'],     
                        "logRedactionConfiguration": {
                            "entitiesToRedact": [
                                'ALL_PERSONALLY_IDENTIFIABLE_INFORMATION',
                                'NUMBERS',
                                'CUSTOM'
                            ],
                            "customEntityConfig": {
                                "customDataIdentifiers": [
                                    'custom_regex_1',
                                    'custom_regex_2'
                                ] 
                            }
                        }
                    }
                ],
                "maxOutputSize": {
                    "unit": 'unit',
                    "value": 'number'
                }
            }
        }
    },
    tags={
        'tag': 'tag'
    }
)

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.