Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Gewähren Sie Amazon SageMaker Clarify Jobs Zugriff auf Ressourcen in Ihrer Amazon VPC
Um den Zugriff auf Ihre Daten und SageMaker Clarify-Jobs zu kontrollieren, empfehlen wir Ihnen, eine private Amazon-VPC zu erstellen und sie so zu konfigurieren, dass Ihre Jobs nicht über das öffentliche Internet zugänglich sind. Informationen zum Erstellen und Konfigurieren einer Amazon VPC für die Verarbeitung von Aufträgen finden Sie unter [ Gewähren Sie SageMaker Verarbeitungsaufträgen Zugriff auf Ressourcen in Ihrer Amazon VPC. ](https://docs.aws.amazon.com/sagemaker/latest/dg/process-vpc)
In diesem Dokument wird erklärt, wie Sie zusätzliche Amazon VPC-Konfigurationen hinzufügen, die die Anforderungen für SageMaker Clarify-Jobs erfüllen.
**Topics**
+ [Konfigurieren Sie einen SageMaker Clarify-Job für Amazon VPC Access](#clarify-vpc-config)
+ [Konfigurieren Sie Ihre private Amazon VPC für SageMaker Clarify-Jobs](#clarify-vpc-vpc)
## Konfigurieren Sie einen SageMaker Clarify-Job für Amazon VPC Access
Sie müssen Subnetze und Sicherheitsgruppen angeben, wenn Sie Ihre private Amazon VPC für SageMaker Clarify-Jobs konfigurieren und damit der Job bei der Berechnung von Bias-Metriken und Feature-Beiträgen, die zur Erklärung von Modellvorhersagen beitragen, Rückschlüsse aus dem SageMaker KI-Modell ziehen kann.
**Topics**
+ [SageMaker Clarify Job: Amazon VPC-Subnetze und Sicherheitsgruppen](#clarify-vpc-job)
+ [Ein Modell von Amazon VPC for Inference konfigurieren](#clarify-vpc-model)
### SageMaker Clarify Job: Amazon VPC-Subnetze und Sicherheitsgruppen
Subnetze und Sicherheitsgruppen in Ihrer privaten Amazon VPC können auf unterschiedliche Weise einem SageMaker Clarify-Job zugewiesen werden, je nachdem, wie Sie den Job erstellen.
+ **SageMaker AI-Konsole**: Geben Sie diese Informationen an, wenn Sie den Job im ** SageMaker AI-Dashboard erstellen. ** **Wählen Sie im Menü **Verarbeitung** die Option **Verarbeitungsaufträge** und anschließend Verarbeitungsauftrag erstellen**. Wählen Sie im Bereich **Netzwerk** die Option **VPC** aus und geben Sie die Subnetze und Sicherheitsgruppen mithilfe der Dropdown-Listen an. Stellen Sie sicher, dass die in diesem Bereich angegebene Option zur Netzwerkisolierung ausgeschaltet ist.
+ **SageMaker API**: Verwenden Sie den `NetworkConfig.VpcConfig` Anforderungsparameter der [`CreateProcessingJob`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateProcessingJob) API, wie im folgenden Beispiel gezeigt:
```
"NetworkConfig": {
"VpcConfig": {
"Subnets": [
"subnet-0123456789abcdef0",
"subnet-0123456789abcdef1",
"subnet-0123456789abcdef2"
],
"SecurityGroupIds": [
"sg-0123456789abcdef0"
]
}
}
```
+ **SageMaker Python SDK**: Verwenden Sie den `NetworkConfig` Parameter der [`SageMakerClarifyProcessor`](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_core.html) API oder [`Processor`](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_core.html) API, wie im folgenden Beispiel gezeigt:
```
from sagemaker.network import NetworkConfig
network_config = NetworkConfig(
subnets=[
"subnet-0123456789abcdef0",
"subnet-0123456789abcdef1",
"subnet-0123456789abcdef2",
],
security_group_ids=[
"sg-0123456789abcdef0",
],
)
```
SageMaker AI verwendet die Informationen, um Netzwerkschnittstellen zu erstellen und sie an den SageMaker Clarify-Job anzuhängen. Die Netzwerkschnittstellen stellen einen SageMaker Clarify-Job mit einer Netzwerkverbindung innerhalb Ihrer Amazon VPC bereit, die nicht mit dem öffentlichen Internet verbunden ist. Sie ermöglichen es dem SageMaker Clarify-Job auch, eine Verbindung zu Ressourcen in Ihrer privaten Amazon-VPC herzustellen.
**Anmerkung**
Die Netzwerkisolationsoption des SageMaker Clarify-Jobs muss deaktiviert sein (standardmäßig ist die Option deaktiviert), damit der Clarify-Job SageMaker mit dem Shadow-Endpunkt kommunizieren kann.
### Ein Modell von Amazon VPC for Inference konfigurieren
Um die Messwerte und die Erklärbarkeit von Verzerrungen nach dem Training zu berechnen, muss der SageMaker Clarify-Job Rückschlüsse aus dem SageMaker KI-Modell ziehen, das durch den `model_name` Parameter der [ Analysekonfiguration ](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-configure-processing-jobs.html#clarify-processing-job-configure-analysis) für den SageMaker Clarify-Verarbeitungsjob spezifiziert ist. Wenn Sie alternativ die `SageMakerClarifyProcessor` API im SageMaker AI Python SDK verwenden, muss der Job die von der Klasse `model_name` angegebenen Werte erhalten. [ ModelConfig ](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_core.html) Um dies zu erreichen, erstellt der SageMaker Clarify-Job einen kurzlebigen Endpunkt mit dem Modell, einen sogenannten * Shadow-Endpunkt*, und wendet dann die Amazon VPC-Konfiguration des Modells auf den Shadow-Endpunkt an.
Um Subnetze und Sicherheitsgruppen in Ihrer privaten Amazon-VPC für das SageMaker AI-Modell anzugeben, verwenden Sie den `VpcConfig` Anforderungsparameter der [`CreateModel`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel) API oder geben Sie diese Informationen an, wenn Sie das Modell mithilfe des SageMaker AI-Dashboards in der Konsole erstellen. Im Folgenden sehen Sie ein Beispiel des Parameters `VpcConfig`, den Sie in Ihrem Aufruf zu `CreateModel` hinzufügen:
```
"VpcConfig": {
"Subnets": [
"subnet-0123456789abcdef0",
"subnet-0123456789abcdef1",
"subnet-0123456789abcdef2"
],
"SecurityGroupIds": [
"sg-0123456789abcdef0"
]
}
```
Sie können die Anzahl der zu startenden Instances des Shadow-Endpunkts mit dem `initial_instance_count` Parameter der [ Analysekonfiguration ](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-configure-processing-jobs.html#clarify-processing-job-configure-analysis) für den SageMaker Clarify-Verarbeitungsauftrag angeben. Wenn Sie die `SageMakerClarifyProcessor` API im SageMaker AI Python SDK verwenden, muss der Job alternativ den von der [ ModelConfig ](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_core.html) Klasse `instance_count` angegebenen Wert erhalten.
**Anmerkung**
Auch wenn Sie beim Erstellen des Shadow-Endpunkts nur eine Instanz anfordern, benötigen Sie mindestens zwei Subnetze des Modells [ ModelConfig ](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_core.html) in unterschiedlichen Verfügbarkeitszonen. Andernfalls schlägt die Erstellung des Schattenendpunkts mit folgendem Fehler fehl:
ClientError: Fehler beim Hosten des Endpunkts SageMaker-Clarify-Endpoint-XXX: Fehlgeschlagen. Grund: Es konnten nicht mindestens 2 Verfügbarkeitszonen mit dem angeforderten Instanztyp YYY gefunden werden, die sich mit SageMaker AI-Subnetzen überschneiden.
Wenn Ihr Modell Modelldateien in Amazon S3 benötigt, muss das Modell Amazon VPC über einen Amazon S3-VPC-Endpunkt verfügen. Weitere Informationen zum Erstellen und Konfigurieren einer Amazon VPC für SageMaker KI-Modelle finden Sie unter[Gewähren Sie SageMaker KI-gehosteten Endpunkten Zugriff auf Ressourcen in Ihrer Amazon VPC](host-vpc.md).
## Konfigurieren Sie Ihre private Amazon VPC für SageMaker Clarify-Jobs
Im Allgemeinen können Sie die Schritte unter [ Configure Your Private VPC for SageMaker Processing befolgen, ](https://docs.aws.amazon.com/sagemaker/latest/dg/process-vpc.html#process-vpc-vpc) um Ihre private Amazon VPC für SageMaker Clarify-Jobs zu konfigurieren. Hier sind einige Highlights und besondere Anforderungen für SageMaker Clarify-Jobs.
**Topics**
+ [Verbindung zu Ressourcen außerhalb Ihrer Amazon VPC](#clarify-vpc-nat)
+ [Konfigurieren Sie die Amazon VPC-Sicherheitsgruppe](#clarify-vpc-security-group)
### Verbindung zu Ressourcen außerhalb Ihrer Amazon VPC
Wenn Sie Ihre Amazon VPC so konfigurieren, dass sie keinen öffentlichen Internetzugang hat, sind einige zusätzliche Einstellungen erforderlich, um SageMaker Clarify Jobs Zugriff auf Ressourcen und Dienste außerhalb Ihrer Amazon VPC zu gewähren. Beispielsweise ist ein Amazon S3-VPC-Endpunkt erforderlich, da ein SageMaker Clarify-Job einen Datensatz aus einem S3-Bucket laden und die Analyseergebnisse in einem S3-Bucket speichern muss. Weitere Informationen finden Sie unter [Erstellen eines Amazon S3 VPC-Endpunkts](https://docs.aws.amazon.com/sagemaker/latest/dg/process-vpc.html#process-vpc-s3) für die Erstellungsanleitung. Wenn ein SageMaker Clarify-Job außerdem Rückschlüsse vom Shadow-Endpunkt abrufen muss, muss er mehrere weitere AWS Dienste aufrufen.
+ **Erstellen Sie einen VPC-Endpunkt für den Amazon SageMaker API-Service**: Der SageMaker Clarify-Job muss den Amazon SageMaker API-Service aufrufen, um den Shadow-Endpunkt zu manipulieren oder um ein SageMaker KI-Modell für die Amazon VPC-Validierung zu beschreiben. Sie können den Anleitungen im AWS PrivateLink [ Blog „](https://aws.amazon.com/blogs/machine-learning/securing-all-amazon-sagemaker-api-calls-with-aws-privatelink/)Sicherung aller SageMaker Amazon-API-Aufrufe mit“ folgen, um einen SageMaker Amazon-API-VPC-Endpunkt zu erstellen, der es dem Clarify-Job ermöglicht, die SageMaker Serviceabrufe durchzuführen. Beachten Sie, dass der Servicename des Amazon SageMaker API-Dienstes lautet. Wo {{region}} ist der Name der Region`com.amazonaws.{{region}}.sagemaker.api`, in der sich Ihre Amazon VPC befindet.
+ **Erstellen Sie einen Amazon SageMaker AI Runtime-VPC-Endpunkt**: Der SageMaker Clarify-Job muss den Amazon SageMaker AI-Laufzeitservice aufrufen, der die Aufrufe an den Shadow-Endpunkt weiterleitet. Die Einrichtungsschritte ähneln denen für den SageMaker Amazon-API-Service. Beachten Sie, dass der Dienstname des Amazon SageMaker AI Runtime-Dienstes lautet. Wo {{region}} ist der Name der Region`com.amazonaws.{{region}}.sagemaker.runtime`, in der sich Ihre Amazon VPC befindet.
### Konfigurieren Sie die Amazon VPC-Sicherheitsgruppe
SageMaker Stellen Sie klar, dass Jobs die verteilte Verarbeitung unterstützen, wenn zwei oder mehr Verarbeitungsinstanzen auf eine der folgenden Arten spezifiziert werden:
+ **SageMaker AI-Konsole**: Die Anzahl der ** Instanzen ** wird im Bereich „**Ressourcenkonfiguration**“ im ** Bereich „**Auftragseinstellungen“ auf der ** Seite „Verarbeitungsauftrag ** erstellen“ angegeben.
+ **SageMaker API**: Die `InstanceCount` wird angegeben, wenn Sie den Job mit der [`CreateProcessingJob`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateProcessingJob) API erstellen.
+ **SageMaker Python-SDK**: Das `instance_count` wird angegeben, wenn Sie die [ SageMakerClarifyProcessor ](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_core.html) API oder die [https://sagemaker.readthedocs.io/en/stable/api/sagemaker_core.html](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_core.html) Prozessor-API verwenden.
Bei der verteilten Verarbeitung müssen Sie die Kommunikation zwischen den verschiedenen Instances desselben Verarbeitungsauftrags ermöglichen. Konfigurieren Sie dazu eine Regel für Ihre Sicherheitsgruppe, mit der eingehende Verbindungen zwischen Mitgliedern derselben Sicherheitsgruppe zugelassen werden. Weitere Informationen finden Sie unter [Sicherheitsgruppenregeln](https://docs.aws.amazon.com/AmazonVPC/latest/UserGuide/VPC_SecurityGroups.html#SecurityGroupRules).