Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Membuat templat analisis SQL


**Prasyarat**

 Sebelum Anda membuat template analisis SQL, Anda harus memiliki:
+  AWS Clean Rooms Kolaborasi aktif
+ Akses ke setidaknya satu tabel yang dikonfigurasi dalam kolaborasi

  Untuk informasi tentang mengonfigurasi tabel di AWS Clean Rooms, lihat[Membuat tabel yang dikonfigurasi di AWS Clean Rooms](create-configured-table.md).
+ Izin untuk membuat templat analisis
+ Pengetahuan dasar tentang sintaks kueri SQL

Prosedur berikut menjelaskan proses pembuatan template analisis SQL menggunakan [AWS Clean Rooms konsol](https://console.aws.amazon.com/cleanrooms/home).

Untuk informasi tentang cara membuat template analisis SQL menggunakan AWS SDKs, lihat [Referensi AWS Clean Rooms API](https://docs.aws.amazon.com/clean-rooms/latest/apireference/Welcome.html).

**Untuk membuat template analisis SQL**

1. Masuk ke Konsol Manajemen AWS dan buka [AWS Clean Rooms konsol](https://console.aws.amazon.com/cleanrooms/home) dengan Akun AWS yang akan berfungsi sebagai pembuat kolaborasi.

1. Di panel navigasi kiri, pilih **Kolaborasi**.

1. Pilih kolaborasi.

1. Pada tab **Template**, buka bagian **Analisis template yang dibuat oleh Anda**.

1. Pilih **Buat templat analisis**.

1. Pada halaman **template Buat analisis**, untuk **Detail**, 

   1. Masukkan **Nama** untuk templat analisis.

   1. (Opsional) Masukkan **Deskripsi**.

   1. Untuk **Format**, biarkan opsi **SQL** dipilih.

1. Untuk **Tabel**, lihat tabel yang dikonfigurasi terkait dengan kolaborasi.

1. Untuk **Definisi**,

   1. Masukkan definisi untuk templat analisis.

   1. Pilih **Impor dari** untuk mengimpor definisi.

   1. (*Opsional*) Tentukan parameter di editor SQL dengan memasukkan titik dua (`:`) di depan nama parameter.

      Contoh: 

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

1. Jika Anda menambahkan parameter sebelumnya, di bawah **Parameter - opsional**, untuk setiap **nama Parameter**, pilih **nilai **Jenis** dan Default** (opsional).

1. Untuk **data Sintetis**, jika Anda ingin menghasilkan data sintetis untuk pelatihan model, pilih kotak centang **Memerlukan keluaran templat analisis menjadi sintetis**.

   Untuk informasi selengkapnya, lihat Pembuatan kumpulan data [sintetis yang disempurnakan privasi](synthetic-data-generation.md).

   1. Untuk **klasifikasi Kolom**, pilih **Kolom** dari daftar dropdown. Setidaknya lima kolom diperlukan.

      1. Pilih **Klasifikasi** dari daftar dropdown. Ini mengidentifikasi tipe data untuk setiap kolom.

         Jenis klasifikasi meliputi:
         + **Numerik** — Nilai numerik kontinu seperti pengukuran atau hitungan
         + **Kategoris** — Nilai atau kategori diskrit seperti label atau jenis

      1. Untuk menghapus kolom, pilih **Hapus**.

      1. Untuk menambahkan kolom lain, pilih **Tambahkan kolom lain**. Pilih **Kolom** dan **Klasifikasi** dari daftar dropdown.

      1. Untuk **nilai Prediktif**, pilih **Kolom** dari daftar dropdown. Ini adalah kolom yang digunakan model khusus untuk prediksi setelah dilatih pada kumpulan data sintetis.

   1. **Pengaturan lanjutan** memungkinkan Anda untuk mengatur **tingkat Privasi** dan **ambang privasi**. Sesuaikan pengaturan agar sesuai dengan kebutuhan Anda.

      1. Untuk **tingkat Privasi**, masukkan nilai epsilon untuk menentukan seberapa banyak noise yang ditambahkan model sintetis untuk melindungi privasi dalam kumpulan data yang Anda hasilkan. Nilai harus antara 0,0001 dan 10.
        + Nilai yang lebih rendah menambah lebih banyak noise, memberikan perlindungan privasi yang lebih kuat tetapi berpotensi mengurangi utilitas untuk model kustom hilir yang dilatih pada data ini.
        + Nilai yang lebih tinggi menambahkan lebih sedikit derau, memberikan akurasi yang lebih besar tetapi berpotensi mengurangi perlindungan privasi.

        Untuk **ambang privasi**, masukkan probabilitas tertinggi yang diizinkan bahwa serangan inferensi keanggotaan dapat mengidentifikasi anggota kumpulan data asli. Nilai harus antara 50,0 dan 100.
        + Skor 50% menunjukkan bahwa serangan inferensi keanggotaan tidak berhasil membedakan anggota dari non-anggota lebih baik daripada tebakan acak.
        + Tanpa batas privasi, masukkan 100%.

        Nilai optimal bergantung pada kasus penggunaan spesifik dan persyaratan privasi Anda. Jika ambang privasi terlampaui, pembuatan saluran input ML gagal, dan Anda tidak dapat menggunakan kumpulan data sintetis untuk melatih model.
**Awas**  
Pembuatan data sintetis melindungi dari menyimpulkan atribut individu apakah individu tertentu hadir dalam kumpulan data asli atau atribut pembelajaran individu tersebut hadir. Namun, itu tidak mencegah nilai literal dari kumpulan data asli, termasuk informasi yang dapat diidentifikasi secara pribadi (PII) muncul di kumpulan data sintetis.  
Sebaiknya hindari nilai dalam kumpulan data input yang hanya terkait dengan satu subjek data karena ini dapat mengidentifikasi kembali subjek data. Misalnya, jika hanya satu pengguna yang tinggal dalam kode pos, keberadaan kode pos itu dalam kumpulan data sintetis akan mengonfirmasi bahwa pengguna berada dalam kumpulan data asli. Teknik seperti memotong nilai presisi tinggi atau mengganti katalog yang tidak biasa dengan yang *lain* dapat digunakan untuk mengurangi risiko ini. Transformasi ini dapat menjadi bagian dari query yang digunakan untuk membuat saluran input ML.

1. Jika Anda ingin mengaktifkan **Tag** untuk sumber daya, pilih **Tambahkan tag baru** lalu masukkan pasangan **Kunci** dan **Nilai**.

1. Pilih **Buat**.

1. Anda sekarang siap memberi tahu anggota kolaborasi Anda bahwa mereka dapat [Meninjau template analisis](review-analysis-template.md). (Opsional jika Anda ingin menanyakan data Anda sendiri.)