Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Utilizzare Machine Learning (ML) con Amazon Athena
Machine Learning (ML) con Amazon Athena ti consente di utilizzare Athena per scrivere istruzioni SQL che eseguono inferenze di Machine Learning (ML) utilizzando Amazon AI. SageMaker Questa caratteristica semplifica l'accesso ai modelli ML per l'analisi dei dati, eliminando la necessità di utilizzare metodi di programmazione complessi per eseguire l'inferenza.
Per usare ML con Athena, si definisce un ML con la funzione Athena con la clausola `USING EXTERNAL FUNCTION`. La funzione punta all'endpoint del modello di SageMaker intelligenza artificiale che desideri utilizzare e specifica i nomi delle variabili e i tipi di dati da passare al modello. Le clausole successive nella query fanno riferimento alla funzione per passare valori al modello. Il modello esegue l'inferenza in base ai valori passati dalla query e quindi restituisce i risultati dell'inferenza. Per ulteriori informazioni sull' SageMaker intelligenza artificiale e su come funzionano gli endpoint SageMaker AI, consulta la [Amazon SageMaker AI Developer Guide](https://docs.aws.amazon.com/sagemaker/latest/dg/).
Per un esempio che utilizza il machine learning con Athena e l'inferenza SageMaker AI per rilevare un valore anomalo in un set di risultati, consulta l'articolo del AWS Big Data Blog [Rilevare valori anomali richiamando la funzione di inferenza di apprendimento automatico di Amazon](https://aws.amazon.com/blogs/big-data/detecting-anomalous-values-by-invoking-the-amazon-athena-machine-learning-inference-function/) Athena.
## Considerazioni e limitazioni
+ **Regioni disponibili**: la funzionalità Athena ML è disponibile laddove è supportata la versione 2 o successiva del motore Regioni AWS Athena.
+ SageMaker L'**endpoint del modello AI deve essere accettato e restituito `text/csv`**: per ulteriori informazioni sui formati di dati, consulta [Common data formats for inference](https://docs.aws.amazon.com/sagemaker/latest/dg/cdf-inference.html) nella *Amazon SageMaker AI Developer Guide*.
+ **Athena non invia intestazioni CSV**: se l'endpoint SageMaker AI lo è`text/csv`, il gestore di input non deve presumere che la prima riga dell'input sia un'intestazione CSV. Poiché Athena non invia intestazioni CSV, l'output restituito ad Athena conterrà una riga in meno di quella prevista da Athena e causerà un errore.
+ **SageMaker Scalabilità degli endpoint AI**: assicurati che l'endpoint del modello SageMaker AI di riferimento sia sufficientemente scalato per le chiamate Athena all'endpoint. Per ulteriori informazioni, consulta la sezione [Scalabilità automatica dei modelli di SageMaker intelligenza](https://docs.aws.amazon.com/sagemaker/latest/dg/endpoint-auto-scaling.html) artificiale nella *Amazon SageMaker AI Developer Guide* e [CreateEndpointConfig](https://docs.aws.amazon.com/sagemaker/latest/dg/API_CreateEndpointConfig.html)nell'*Amazon SageMaker AI API Reference*.
+ **Autorizzazioni IAM**: per eseguire una query che specifica un ML con la funzione Athena, è necessario consentire al principale IAM che esegue la query di eseguire l'`sagemaker:InvokeEndpoint`azione per l'endpoint del modello AI di riferimento SageMaker . Per ulteriori informazioni, consulta [Autorizzazione per l’accesso per ML con Athena](machine-learning-iam-access.md).
+ **ML con funzioni Athena non può essere usato direttamente nelle clausole `GROUP BY`**
**Topics**
+ [
## Considerazioni e limitazioni
](#considerations-and-limitations)
+ [
# Utilizzare ML con sintassi Athena
](ml-syntax.md)
+ [
# Vedere esempi di utilizzo per i clienti
](ml-videos.md)
# Utilizzare ML con sintassi Athena
La clausola `USING EXTERNAL FUNCTION` specifica un ML con funzione o più funzioni Athena a cui è possibile fare riferimento da un'istruzione `SELECT` successiva nella query. Definire il nome della funzione, i nomi delle variabili e i tipi di dati per le variabili e i valori restituiti.
## Riepilogo
La seguente sintassi mostra una clausola `USING EXTERNAL FUNCTION` che specifica un ML con funzione Athena.
```
USING EXTERNAL FUNCTION ml_function_name (variable1 data_type[, variable2 data_type][,...])
RETURNS data_type
SAGEMAKER 'sagemaker_endpoint'
SELECT ml_function_name()
```
## Parameters
**UTILIZZO DI UNA FUNZIONE ESTERNA *ml\$1function\$1name* (*variable1**data\$1type*[, *variable2**data\$1type*] [,...])**
*ml\$1function\$1name*definisce il nome della funzione, che può essere utilizzato nelle clausole di interrogazione successive. Ciascuno *variable data\$1type* specifica una variabile denominata e il tipo di dati corrispondente che il modello SageMaker AI accetta come input. Il tipo di dati specificato deve essere un tipo di dati Athena supportato.
**RESTITUISCE *data\$1type***
*data\$1type*specifica il tipo di dati SQL che *ml\$1function\$1name* restituisce la query come output dal modello SageMaker AI.
**SAGEMAKER '' *sagemaker\$1endpoint***
*sagemaker\$1endpoint*specifica l'endpoint del modello di intelligenza artificiale. SageMaker
**SELEZIONA [...] *ml\$1function\$1name*(*expression*) [...]**
La query SELECT che passa i valori alle variabili di funzione e il modello SageMaker AI per restituire un risultato. *ml\$1function\$1name*specifica la funzione definita in precedenza nella query, seguita da una *expression* che viene valutata per passare valori. I valori passati e restituiti devono corrispondere ai tipi di dati corrispondenti specificati per la funzione nella clausola `USING EXTERNAL FUNCTION`.
## Esempio
Nell'esempio seguente viene illustrata una query mediante ML con Athena.
**Example**
```
USING EXTERNAL FUNCTION predict_customer_registration(age INTEGER)
RETURNS DOUBLE
SAGEMAKER 'xgboost-2019-09-20-04-49-29-303'
SELECT predict_customer_registration(age) AS probability_of_enrolling, customer_id
FROM "sampledb"."ml_test_dataset"
WHERE predict_customer_registration(age) < 0.5;
```
# Vedere esempi di utilizzo per i clienti
I seguenti video, che utilizzano la versione di anteprima di Machine Learning (ML) con Amazon Athena, mostrano i modi in cui puoi usare l'intelligenza artificiale SageMaker con Athena.
## Previsione dell'abbandono del cliente
Il video seguente mostra come combinare Athena con le funzionalità di machine learning di Amazon SageMaker AI per prevedere il tasso di abbandono dei clienti.
[](http://www.youtube.com/watch?v=https://www.youtube.com/embed/CUHbSpekRVg)
## Rilevamento delle botnet
Il video seguente mostra come un'azienda utilizza Amazon Athena e Amazon SageMaker AI per rilevare le botnet.
[](http://www.youtube.com/watch?v=https://www.youtube.com/embed/0dUv-jCt2aw)