本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 建立 AWS Clean Rooms ML 模型做為訓練資料提供者
<a name="working-with-machine-learning-tdp"></a>

*類似模型*是訓練資料提供者資料的模型，可讓種子資料提供者建立訓練資料提供者資料的類似區段，最接近其種子資料。若要建立可在協同合作中使用的類似模型，您必須匯入訓練資料、建立類似模型、設定該類似模型，然後將其與協同合作建立關聯。

使用類似模型需要兩個方，訓練資料提供者和種子資料提供者，依序在 中工作 AWS Clean Rooms ，將他們的資料帶入協同合作。這是訓練資料提供者必須先完成的工作流程：

1. 訓練資料提供者的資料必須存放在使用者項目互動 AWS Glue 的資料目錄資料表中。訓練資料至少必須包含使用者 ID 欄、互動 ID 欄和時間戳記欄。

1. 訓練資料提供者向 註冊訓練資料 AWS Clean Rooms。

1. 訓練資料提供者會建立外觀相似的模型，可與多個種子資料提供者共用。看起來像模型是一種深度神經網路，最多可能需要 24 小時才能訓練。它不會自動重新訓練，我們建議您每週重新訓練模型。

1. 訓練資料提供者會設定類似模型，包括是否共用相關性指標和輸出區段的 Amazon S3 位置。訓練資料提供者可以從單一外觀模型建立多個已設定的外觀模型。

1. 訓練資料提供者會將設定的對象模型與與種子資料提供者共用的協同合作建立關聯。

訓練資料提供者完成建立 ML 模型後，[種子資料提供者可以建立和匯出外觀客群](working-with-machine-learning-sdp.md)。

**Topics**
+ [匯入訓練資料](create-ml-model-training-data.md)
+ [建立外觀模型](create-ml-model-create-model.md)
+ [設定外觀模型](create-ml-model-configure-model.md)
+ [關聯已設定的外觀模型](create-ml-model-associate-model.md)
+ [更新已設定的類似模型](update-ml-model-configured-model.md)

# 匯入訓練資料
<a name="create-ml-model-training-data"></a>

**注意**  
您只能提供訓練資料集，以便在具有存放在 Amazon S3 中資料的 Clean Rooms ML 外觀模型中使用。不過，您可以使用 SQL 來提供類似模型的種子資料，該 SQL 會跨存放在任何支援資料來源中的資料執行。

建立類似模型之前，您必須指定包含訓練資料的 AWS Glue 資料表。Clean Rooms ML 不會儲存此資料的複本，只是中繼資料，允許它存取資料。

**在 中匯入訓練資料 AWS Clean Rooms**

1. 使用 登入 AWS 管理主控台 並開啟[AWS Clean Rooms 主控台](https://console.aws.amazon.com/cleanrooms/home) AWS 帳戶 （如果您尚未這麼做）。

1. 在左側導覽窗格中，選擇 **AWS ML 模型**。

1. 在**訓練資料集**索引標籤上，選擇**建立訓練資料集**。

1. 在**建立訓練資料集**頁面上，針對**訓練資料集詳細資訊**，輸入**名稱**和選用**的描述**。

1. 從下拉式清單中選取您要設定的**資料庫**和**資料表**，以選擇**訓練資料來源**。
**注意**  
若要驗證這是正確的資料表，請執行下列其中一項操作：  
選擇**檢視 AWS Glue**。
開啟**檢視結構描述**以檢視結構描述。

1. 如需**訓練詳細資訊**，請從下拉式清單中選擇**使用者識別碼欄**、**項目識別碼欄**和**時間戳記欄**。訓練資料必須包含這三個資料欄。您也可以選取任何其他要包含在訓練資料中的資料欄。

   **時間戳記欄中**的資料必須採用秒格式的 Unix epoch 時間。

1. （選用） 如果您有任何**要訓練的其他資料欄**，請從下拉式清單中選擇資料**欄名稱**和**類型**。

1. 在**服務存取**中，您必須指定可存取資料的服務角色，並在資料加密時提供 KMS 金鑰。選擇**建立並使用新的服務角色**，Clean Rooms ML 會自動建立服務角色並新增必要的許可政策。如果您有要使用的特定**服務角色，請選擇使用現有的**服務角色，然後在**服務角色名稱**欄位中輸入該角色。

   如果您的資料已加密，請在 **AWS KMS key** 欄位中輸入 KMS 金鑰，或按一下**建立 AWS KMS key**以產生新的 KMS 金鑰。

1. 如果您想要為訓練資料集啟用**標籤**，請選擇**新增標籤**，然後輸入**金鑰**和**值**對。

1. 選擇**建立訓練資料集**。

如需對應的 API 動作，請參閱 [CreateTrainingDataset](https://docs.aws.amazon.com/cleanrooms-ml/latest/APIReference/API_CreateTrainingDataset.html)。

# 建立外觀模型
<a name="create-ml-model-create-model"></a>

建立訓練資料集之後，您就可以建立類似模型。您可以從單一訓練資料集建立許多外觀模型。

您必須在 中建立預設資料庫， AWS Glue Data Catalog 或在提供的角色中包含 `glue:createDatabase`許可。

**在 中建立類似模型 AWS Clean Rooms**

1. 使用 登入 AWS 管理主控台 並開啟 [AWS Clean Rooms 主控台](https://console.aws.amazon.com/cleanrooms/home) AWS 帳戶 （如果您尚未這麼做）。

1. 在左側導覽窗格中，選擇 **AWS ML 模型**。

1. 在 **Lookalike 模型**索引標籤上，選擇**建立外觀模型**。

1. 在**建立類似模型**頁面上，針對 **Lookalike 模型詳細資訊**，輸入**名稱**和選用**的描述**。

   1. 從下拉式清單中選擇您要建模**的訓練資料集**。
**注意**  
若要驗證這是正確的訓練資料集，請開啟**顯示訓練資料集詳細資訊**以檢視詳細資訊。  
若要建立新的訓練資料集，請選擇**建立訓練資料集**。

   1. （選用） 輸入**訓練時段**。

1. 如果您想要為類似模型啟用自訂加密設定，請選擇**自訂加密設定**，然後輸入 KMS 金鑰。

1. 如果您想要為類似模型啟用**標籤**，請選擇**新增標籤**，然後輸入**金鑰**和**值**對。

1. 選擇**建立外觀模型**。
**注意**  
模型訓練可能需要數小時到 2 天的時間。

如需對應的 API 動作，請參閱 [CreateAudienceModel](https://docs.aws.amazon.com/cleanrooms-ml/latest/APIReference/API_CreateAudienceModel.html)。

# 設定外觀模型
<a name="create-ml-model-configure-model"></a>

建立類似模型之後，您就可以將其設定為在協同合作中使用。您可以從單一外觀模型建立多個已設定的外觀模型。

**在 中設定類似模型 AWS Clean Rooms**

1. 使用 登入 AWS 管理主控台 並開啟 [AWS Clean Rooms 主控台](https://console.aws.amazon.com/cleanrooms/home) AWS 帳戶 （如果您尚未這麼做）。

1. 在左側導覽窗格中，選擇 **AWS ML 模型**。

1. 在**已設定的外觀模型**索引標籤上，選擇**設定的外觀模型**。

1. 在**設定外觀模型**頁面上，針對**已設定的外觀模型詳細資訊**，輸入**名稱**和選用**的描述**。

   1. 從下拉式清單中選擇您要設定的 **Lookalike 模型**。
**注意**  
若要驗證這是正確的外觀模型，請開啟**顯示外觀模型詳細資訊**以檢視詳細資訊。  
若要建立新的外觀模型，請選擇**建立外觀模型**。

   1. 選擇您想要的**最小相符種子大小**。這是種子資料提供者資料中與訓練資料中的使用者重疊的最小使用者數量。此值必須大於 0。

1. 針對**要與其他成員共用的指標**，選擇您是否希望協同合作中的種子資料提供者接收模型指標，包括相關性分數。

1. 對於 **Lookalike 區段目的地位置**，輸入匯出 lookalike 區段的 Amazon S3 儲存貯體。此儲存貯體必須位於與其他 資源相同的區域。

1. 針對**服務存取**，選擇將用於存取此資料表的**現有服務角色名稱**。

1. 對於**進階儲存貯體大小組態**，請將**對象大小類型**指定為**絕對**數量或**百分比**。

1. 如果您想要為設定的資料表資源啟用**標籤**，請選擇**新增標籤**，然後輸入**金鑰**和**值**對。

1. 選擇**設定外觀模型**。

如需對應的 API 動作，請參閱 [CreateConfiguredAudienceModel](https://docs.aws.amazon.com/cleanrooms-ml/latest/APIReference/API_CreateConfiguredAudienceModel.html)。

# 關聯已設定的外觀模型
<a name="create-ml-model-associate-model"></a>

設定好類似模型之後，您可以將其與協同合作建立關聯。

**在 中關聯已設定的外觀模型 AWS Clean Rooms**

1. 使用 登入 AWS 管理主控台 並開啟[AWS Clean Rooms 主控台](https://console.aws.amazon.com/cleanrooms/home) AWS 帳戶 （如果您尚未這麼做）。

1. 在左側導覽窗格中，選擇**協同合作**。

1. 在**具有作用中成員**資格索引標籤上，選擇協作。

1. 在 **ML 模型**索引標籤的**Ready-to-use型模型**下，選擇**關聯型樣模型**。

1. 在**關聯設定的類似模型**頁面上，針對**已設定的類似模型關聯詳細資訊**：

   1. 輸入相關已設定對象模型**的名稱**。

   1. 輸入資料表的**描述**。

      此描述有助於區分具有類似名稱的其他相關已設定對象模型。

1. 對於**已設定的外觀模型**，請從下拉式清單中選擇已設定的外觀模型。

1. 選擇**關聯**。

如需對應的 API 動作，請參閱 [CreateConfiguredAudienceModelAssociation](https://docs.aws.amazon.com/clean-rooms/latest/apireference/API_CreateConfiguredAudienceModelAssociation.html)。

# 更新已設定的類似模型
<a name="update-ml-model-configured-model"></a>

將已設定的類似模型建立關聯後，您可以更新該模型以變更資訊，例如名稱、要共用的指標或輸出 Amazon S3 位置。

**在 中更新相關聯的已設定外觀模型 AWS Clean Rooms**

1. 登入 AWS 管理主控台 並使用 開啟 [AWS Clean Rooms 主控台](https://console.aws.amazon.com/cleanrooms/home) AWS 帳戶 （如果您尚未這麼做）。

1. 在左側導覽窗格中，選擇 **AWS ML 模型**。

1. 在**已設定的外觀模型**索引標籤上，**Ready-to-use的外觀模型**下，選擇已設定的的外觀模型，然後選取**編輯**。

1. 在**編輯**頁面上，針對**已設定的外觀模型關聯詳細資訊**：

   1. 更新**名稱**和選用**的描述**。

   1. 從下拉式清單中選擇您要設定的 **Lookalike 模型**。

   1. 選擇您想要的**最小相符種子大小**。這是種子資料提供者資料中與訓練資料中的使用者重疊的最小使用者數量。此值必須大於 0。

1. 針對**要與其他成員共用的指標**，選擇您是否希望協同合作中的種子資料提供者接收模型指標，包括相關性分數。

1. 對於 **Lookalike 區段目的地位置**，輸入匯出類似區段的 Amazon S3 儲存貯體。此儲存貯體必須位於與其他 資源相同的區域。

1. 針對**服務存取**，選擇將用於存取此資料表的**現有服務角色名稱**。

1. 針對**進階儲存貯體大小組態**，選擇您要如何設定對象儲存貯體大小。

1. 選擇**儲存變更**。

如需對應的 API 動作，請參閱 [UpdateConfiguredAudienceModel](https://docs.aws.amazon.com/clean-rooms/latest/apireference/API_UpdateConfiguredAudienceModel.html)。