AWS Clean Rooms ML 中的自訂建模

從技術角度來看，下圖說明自訂 ML 建模如何在 AWS Clean Rooms ML 中運作。

以下是自訂 ML 建模在 Clean Rooms ML 中的運作方式：

1. 資料來源組態

   • 來源資料可以存放在 Amazon S3 目錄、 AWS Glue Data Catalog或 Snowflake 中

   • AWS Glue Data Catalog 用於組織和編目

   • 來自多個 的資料 AWS 帳戶 可在相同的協同合作中使用

2. SQL 查詢和資料處理

   • SQL 查詢用於存取和處理來源資料

   • 查詢在 AWS Clean Rooms 協同合作界限內執行

   • 處理的資料饋送至 ML 輸入通道以進行模型訓練

3. ML 模型開發

   • 您可以使用 AWS 深度學習容器映像來開發模型的原始程式碼

   • 自訂容器映像必須建立並儲存在 Amazon Elastic Container Registry 中

4. 基礎設施元件

   • Amazon Elastic Container Registry 會存放和管理 ML 模型容器

   • ML 處理會在安全 AWS Clean Rooms 協作環境中進行

5. 監控和記錄

   • Amazon CloudWatch 提供兩個協作方的指標和日誌

   • 監控可在 AWS 帳戶 參與協作的 之間使用

   • 相關各方可存取效能指標和操作日誌

6. 結果管理

   • 根據協同合作許可控制對結果的存取

開始使用之前，請參閱 自訂 ML 建模先決條件和 訓練容器的模型撰寫準則 以取得詳細資訊。

主題

• 在 AWS Clean Rooms ML 中建立和加入協同合作

• 在 AWS Clean Rooms ML 中貢獻訓練資料

• 在 AWS Clean Rooms ML 中設定模型演算法

• 在 AWS Clean Rooms ML 中關聯設定的模型演算法

• 在 AWS Clean Rooms ML 中建立 ML 輸入通道

• 在 AWS Clean Rooms ML 中建立訓練過的模型

• 從 AWS Clean Rooms ML 匯出模型成品

• 在 AWS Clean Rooms ML 中的訓練模型上執行推論