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.

# Erstellen einer SQL-Analysevorlage
<a name="create-sql-analysis-template"></a>

**Voraussetzungen**

 Bevor Sie eine SQL-Analysevorlage erstellen, müssen Sie über Folgendes verfügen:
+ Eine aktive AWS Clean Rooms Zusammenarbeit
+ Zugriff auf mindestens eine konfigurierte Tabelle in der Kollaboration

  Hinweise zur Konfiguration von Tabellen in AWS Clean Rooms finden Sie unter[Erstellen einer konfigurierten Tabelle in AWS Clean Rooms](create-configured-table.md).
+ Berechtigungen zum Erstellen von Analysevorlagen
+ Grundkenntnisse der SQL-Abfragesyntax

Das folgende Verfahren beschreibt den Prozess der Erstellung einer SQL-Analysevorlage mithilfe der [AWS Clean Rooms Konsole](https://console.aws.amazon.com/cleanrooms/home).

Informationen zum Erstellen einer SQL-Analysevorlage mithilfe von finden Sie in der [AWS Clean Rooms API-Referenz](https://docs.aws.amazon.com/clean-rooms/latest/apireference/Welcome.html). AWS SDKs

**Um eine SQL-Analysevorlage zu erstellen**

1. Melden Sie sich bei der an AWS-Managementkonsole und öffnen Sie die [AWS Clean Rooms Konsole](https://console.aws.amazon.com/cleanrooms/home) mit der AWS-Konto , die als Ersteller der Kollaboration fungiert.

1. Wählen Sie im linken Navigationsbereich **Collaborations** aus.

1. Wählen Sie die Kollaboration aus.

1. Gehen Sie auf der Registerkarte **Vorlagen** zum Abschnitt **Von Ihnen erstellte Analysevorlagen**.

1. Wählen Sie **Analysevorlage erstellen aus**.

1. Auf der Seite **Analysevorlage erstellen** für **Details** 

   1. Geben Sie einen **Namen** für die Analysevorlage ein.

   1. (Optional) Geben Sie eine **Beschreibung** ein.

   1. Lassen Sie für **Format** die Option **SQL** ausgewählt.

1. Sehen Sie sich unter **Tabellen** die konfigurierten Tabellen an, die der Kollaboration zugeordnet sind.

1. Zur **Definition**

   1. Geben Sie die Definition für die Analysevorlage ein.

   1. Wählen Sie **Import aus**, um eine Definition zu importieren.

   1. (*Optional*) Geben Sie einen Parameter im SQL-Editor an, indem Sie vor dem Parameternamen einen Doppelpunkt (`:`) eingeben.

      Beispiel: 

      `WHERE table1.date + :date_period > table1.date`

1. Wenn Sie zuvor Parameter hinzugefügt haben, wählen Sie unter **Parameter — optional** für jeden **Parameternamen** den **Typ** und den **Standardwert** (optional) aus.

1. Wenn Sie **synthetische Daten** für das Modelltraining generieren möchten, aktivieren Sie für synthetische Daten das Kontrollkästchen **Synthetische Analysevorlagenausgabe erforderlich**.

   Weitere Informationen finden Sie unter Generierung [synthetischer Datensätze mit verbessertem Datenschutz](synthetic-data-generation.md).

   1. Wählen Sie für die **Spaltenklassifizierung** eine **Spalte aus der Dropdownliste** aus. Es sind mindestens fünf Spalten erforderlich.

      1. Wählen Sie eine **Klassifizierung** aus der Drop-down-Liste aus. Dadurch wird der Datentyp für jede Spalte identifiziert.

         Zu den Klassifizierungstypen gehören:
         + **Numerisch** — Kontinuierliche numerische Werte wie Messungen oder Zählungen
         + **Kategorisch** — Diskrete Werte oder Kategorien wie Beschriftungen oder Typen

      1. Um eine Spalte zu entfernen, wählen Sie **Entfernen** aus.

      1. Um eine weitere Spalte hinzuzufügen, wählen Sie **Weitere Spalte hinzufügen** aus. Wählen Sie die **Spalte** und die **Klassifizierung** aus den Drop-down-Listen aus.

      1. Wählen Sie für **Prädiktiver Wert** eine **Spalte** aus der Dropdownliste aus. Dies ist die Spalte, die das benutzerdefinierte Modell für die Vorhersage verwendet, nachdem es mit dem synthetischen Datensatz trainiert wurde.

   1. In **den erweiterten Einstellungen** können Sie die **Datenschutzstufe und den **Datenschutzschwellenwert**** festlegen. Passen Sie die Einstellungen an Ihre Bedürfnisse an.

      1. Geben Sie unter **Datenschutzstufe** einen Epsilon-Wert ein, um zu bestimmen, wie viel Rauschen das synthetische Modell zum Schutz der Privatsphäre in Ihrem generierten Datensatz hinzufügt. Der Wert muss zwischen 0,0001 und 10 liegen.
        + Niedrigere Werte erhöhen das Rauschen und sorgen für einen besseren Datenschutz, verringern aber möglicherweise den Nutzen eines nachgeschalteten benutzerdefinierten Modells, das mit diesen Daten trainiert wurde.
        + Höhere Werte sorgen für weniger Rauschen und bieten mehr Korrektheit, beeinträchtigen aber möglicherweise den Datenschutz.

        Geben Sie als **Datenschutzschwellenwert** die höchste zulässige Wahrscheinlichkeit ein, mit der Mitglieder des ursprünglichen Datensatzes durch einen Angriff auf die Mitgliedschaft identifiziert werden könnten. Der Wert muss zwischen 50,0 und 100 liegen.
        + Werte von 50% deuten darauf hin, dass ein Angriff auf die Zugehörigkeit Mitglieder nicht besser von Nichtmitgliedern unterscheiden kann als durch eine zufällige Vermutung.
        + Wenn Sie keine Datenschutzbegrenzung wünschen, geben Sie 100% ein.

        Der optimale Wert hängt von Ihrem speziellen Anwendungsfall und Ihren Datenschutzanforderungen ab. Wenn der Datenschutzschwellenwert überschritten wird, schlägt die Erstellung des ML-Eingangskanals fehl und Sie können den synthetischen Datensatz nicht zum Trainieren eines Modells verwenden.
**Warnung**  
Die Generierung synthetischer Daten schützt davor, auf individuelle Merkmale zu schließen, unabhängig davon, ob bestimmte Personen im ursprünglichen Datensatz vorhanden sind oder Lernattribute dieser Personen vorhanden sind. Es verhindert jedoch nicht, dass wörtliche Werte aus dem ursprünglichen Datensatz, einschließlich persönlich identifizierbarer Informationen (PII), im synthetischen Datensatz erscheinen.  
Wir empfehlen, Werte im Eingabedatensatz zu vermeiden, die nur einer betroffenen Person zugeordnet sind, da diese eine betroffene Person neu identifizieren können. Wenn beispielsweise nur ein Benutzer in einer Postleitzahl wohnt, würde das Vorhandensein dieser Postleitzahl im synthetischen Datensatz bestätigen, dass sich der Benutzer im ursprünglichen Datensatz befand. Techniken wie das Kürzen von Werten mit hoher Genauigkeit oder das Ersetzen ungewöhnlicher Kataloge durch *andere* können verwendet werden, um dieses Risiko zu minimieren. Diese Transformationen können Teil der Abfrage sein, mit der der ML-Eingabekanal erstellt wurde.

1. Wenn Sie **Tags** für die Ressource aktivieren möchten, wählen Sie **Neues Tag hinzufügen** und geben Sie dann das **Schlüssel** - und **Wertepaar** ein.

1. Wählen Sie **Erstellen** aus.

1. Sie sind jetzt bereit, Ihr Kollaborationsmitglied darüber zu informieren, dass es [eine Analysevorlage überprüfen](review-analysis-template.md) kann. (Optional, wenn Sie Ihre eigenen Daten abfragen möchten.)