AWS Clean Rooms ML 中的自定义建模

从技术角度来看，下图描述了自定义 ML 建模在 AWS Clean Rooms ML 中的工作原理。

以下是自定义 ML 建模在 Clean Rooms ML 中的工作原理：

1. 数据源配置

   • 源数据可以存储在 Amazon S3 目录中 AWS Glue Data Catalog、或 Snowflake 中

   • AWS Glue Data Catalog 用于整理和编目

   • 多个数据 AWS 账户 可以在同一个协作中使用

2. SQL 查询和数据处理

   • SQL 查询用于访问和处理源数据

   • 查询在 AWS Clean Rooms 协作边界内运行

   • 处理后的数据馈入 ML 输入通道以进行模型训练

3. 机器学习模型开发

   • 可以使用 AWS 深度学习容器映像开发模型的源代码

   • 必须创建自定义容器镜像并将其存储在 Amazon 弹性容器注册表中

4. 基础设施组件

   • Amazon 弹性容器注册表存储和管理 ML 模型容器

   • 机器学习处理发生在安全的 AWS Clean Rooms 协作环境中

5. 监控和日志记录

   • Amazon CloudWatch 为双方合作方提供指标和日志

   • 协作 AWS 账户 参与者均可进行监控

   • 相关方可以访问性能指标和操作日志

6. 结果管理

   • 对结果的访问权限根据协作权限进行控制

在开始之前，请参阅自定义 ML 建模先决条件和，了解训练容器的模型创作指南更多信息。

主题

• 在 AWS Clean Rooms ML 中创建和加入合作

• 在 AWS Clean Rooms ML 中贡献训练数据

• 在 AWS Clean Rooms ML 中配置模型算法

• 在 AWS Clean Rooms ML 中关联配置的模型算法

• 在 AWS Clean Rooms ML 中创建机器学习输入通道

• 在 AWS Clean Rooms ML 中创建经过训练的模型

• 从 AWS Clean Rooms ML 中导出模型工件

• 在 AWS Clean Rooms ML 中对经过训练的模型运行推理