As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Criação de um canal de entrada de ML no AWS Clean Rooms ML
<a name="create-ml-input-channel"></a>

**Pré-requisitos: **
+ E Conta da AWS com acesso a AWS Clean Rooms
+ Uma colaboração configurada AWS Clean Rooms onde você deseja criar o canal de entrada de ML
+ Permissões para consultar dados e criar canais de entrada de ML na colaboração. 
+ (Opcional) Um algoritmo de modelo existente para associar ao canal de entrada de ML ou permissões para criar um novo
+ (Opcional) Tabelas com regras de análise que podem ser executadas para o modelo especificado. 
+ (Opcional) Um modelo de consulta ou análise SQL existente a ser usado para gerar o conjunto de dados
+ (Opcional) Uma função de serviço existente com permissões apropriadas ou permissões para criar uma nova função de serviço
+ (Opcional) Uma AWS KMS chave personalizada se você quiser usar sua própria chave de criptografia
+ Permissões apropriadas para criar e gerenciar modelos de ML na colaboração

Um *canal de entrada de ML* é um conjunto de dados criado a partir de uma consulta de dados específica. Membros com a capacidade de consultar dados podem preparar seus dados para treinamento e inferência criando um canal de entrada de ML. A criação de um canal de entrada de ML permite que os dados sejam usados em diferentes modelos de treinamento dentro da mesma colaboração. Você deve criar canais de entrada de ML separados para treinamento e inferência.

Para criar um canal de entrada de ML, você deve especificar a consulta SQL usada para consultar os dados de entrada e criar o canal de entrada de ML. Os resultados dessa consulta nunca são compartilhados com nenhum membro e permanecem dentro dos limites do Clean Rooms ML. O Amazon Resource Name (ARN) de referência é usado nas próximas etapas para treinar um modelo ou executar inferência.

------
#### [ Console ]

**Para criar um canal de entrada de ML (console)**

1. Faça login no Console de gerenciamento da AWS e abra o AWS Clean Rooms console em [https://console.aws.amazon.com/cleanrooms](https://console.aws.amazon.com/cleanrooms/home).

1. No painel de navegação à esquerda, escolha **Colaborações**.

1. Na página **Colaborações**, escolha a colaboração em que você deseja criar um canal de entrada de ML.

1. Depois que a colaboração for aberta, escolha a guia **Modelos de ML**.

1. Em **Modelos de ML personalizados**, na seção **Canais de entrada de ML**, escolha **Criar canal de entrada de ML**.

1. Na página **Criar canal de entrada de ML**, para obter **detalhes do canal de entrada de ML**, faça o seguinte: 

   1. Em **Nome**, insira um nome exclusivo para seu canal.

   1. (Opcional) Em **Descrição**, insira uma descrição do seu canal.

   1. Em **Algoritmo do modelo associado**, selecione o algoritmo a ser usado.

      Escolha **Associar algoritmo de modelo** para adicionar um novo.

1. Para **Conjunto de dados**, escolha um método para gerar o conjunto de dados de treinamento:
   + Escolha a **consulta SQL** para usar os resultados de uma consulta SQL como o conjunto de dados de treinamento. 

     Se você escolheu **consulta SQL**, insira sua consulta no campo **Consulta SQL**.

     (Opcional) Para importar uma consulta que você usou recentemente, escolha **Importar de consultas recentes**. 
   + Escolha **Modelo de análise** para usar os resultados de um modelo de análise como conjunto de dados de treinamento.
**Atenção**  
A geração de dados sintéticos protege contra a inferência de atributos individuais, independentemente de indivíduos específicos estarem presentes no conjunto de dados original ou de atributos de aprendizagem desses indivíduos. No entanto, isso não impede que valores literais do conjunto de dados original, incluindo informações de identificação pessoal (PII), apareçam no conjunto de dados sintético.  
Recomendamos evitar valores no conjunto de dados de entrada associados a apenas um titular de dados, pois eles podem reidentificar um titular de dados. Por exemplo, se apenas um usuário residir em um CEP, a presença desse CEP no conjunto de dados sintético confirmaria que o usuário estava no conjunto de dados original. Técnicas como truncar valores de alta precisão ou substituir catálogos incomuns por *outros* podem ser usadas para mitigar esse risco. Essas transformações podem fazer parte da consulta usada para criar o canal de entrada de ML.

   1. Se nenhuma tabela estiver associada, escolha **Associar tabela** para adicionar tabelas com uma regra de análise que possa ser executada para o modelo especificado. 

   1. Escolha o **tipo de trabalhador** a ser usado ao criar esse canal de dados. O tipo de trabalhador padrão é **CR.1X.** Especifique o **número de trabalhadores** a serem usados. O número padrão do trabalhador é **16**. Para especificar as **propriedades do Spark:**

      1. Expanda as **propriedades do Spark**.

      1. Escolha **Adicionar propriedades do Spark**.

      1. **Na caixa de diálogo de **propriedades do Spark**, escolha um **nome de propriedade** na lista suspensa e insira um Valor.**

      A tabela a seguir fornece uma definição para cada propriedade.

      Para obter mais informações sobre as propriedades do Spark, consulte Propriedades do [Spark na documentação](https://spark.apache.org/docs/latest/configuration.html#spark-properties) do Apache Spark.     
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/clean-rooms/latest/userguide/create-ml-input-channel.html)

   1. **Em Retenção de dados em dias**, insira o número de dias para manter os dados.

   1. Para **Formato de resultado,** escolha **CSV** ou **Parquet** como o formato de dados que o canal de entrada ML deve usar.

1. Em **Acesso ao serviço**, escolha o **nome da função de serviço existente** que será usado para acessar essa tabela ou escolha **Criar e usar uma nova função de serviço**. 

1. Em **Criptografia**, escolha o **segredo Criptografar com uma chave KMS personalizada** para especificar sua própria chave KMS e informações relacionadas. Caso contrário, o Clean Rooms ML gerenciará a criptografia.

1. Escolha **Criar canal de entrada de ML**. 

   Levará alguns minutos para criar o canal de entrada de ML. Você pode ver uma lista de canais de entrada de **ML na guia Modelos de ML**.

**nota**  
Depois que o canal de entrada de ML for criado, você não poderá editá-lo.

------
#### [ API ]

Para criar um canal de entrada de ML (API)

Execute o código a seguir com seus parâmetros específicos: 

```
import boto3 
acr_client = boto3.client('cleanroomsml')

acr_client.create_ml_input_channel(
    name="ml_input_channel_name",
    membershipIdentifier='membership_id',
    configuredModelAlgorithmAssociations=[configured_model_algorithm_association_arn],
    retentionInDays=1,
    inputChannel={
        "dataSource": {
            "protectedQueryInputParameters": {
                "sqlParameters": {
                    "queryString": "select * from table",
                    "computeConfiguration": {
                        "worker": {
                            "type": "CR.1X",
                            "number": 16,
                            "properties": {
                                "spark": {
                                    "spark configuration key": "spark configuration value",
                                }
                            }   
                        }
                    },
                    "resultFormat": "PARQUET"
                }
            }
        },
        "roleArn": "arn:aws:iam::111122223333:role/role_name"
    }
)
channel_arn = resp['ML Input Channel ARN']
```

------