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.

# Modelli di analisi SQL
<a name="sql-analysis-templates"></a>

I modelli di analisi SQL consentono di interrogare e analizzare i dati su diversi set di dati all'interno di una collaborazione. Puoi utilizzare questi modelli per eseguire vari tipi di analisi, come identificare le sovrapposizioni di audience e calcolare metriche aggregate.

Con i modelli di analisi SQL, puoi:
+ Scrivere query SQL standard
+ Aggiungi parametri per rendere dinamiche le tue query
+ Controlla l'accesso a colonne e tabelle specifiche
+ Imposta i requisiti di aggregazione per i dati sensibili
+ Definisci i dati di input per la generazione di set di dati sintetici ottimizzati per la privacy per modelli di machine learning (ML) personalizzati

**Topics**
+ [Creazione di un modello di analisi SQL](create-sql-analysis-template.md)
+ [Revisione di un modello di analisi SQL](review-analysis-template.md)

# Creazione di un modello di analisi SQL
<a name="create-sql-analysis-template"></a>

**Prerequisiti**

 Prima di creare un modello di analisi SQL, è necessario disporre di:
+ Una AWS Clean Rooms collaborazione attiva
+ Accesso ad almeno una tabella configurata nella collaborazione

  Per informazioni sulla configurazione delle tabelle in AWS Clean Rooms, vedere[Creazione di una tabella configurata in AWS Clean Rooms](create-configured-table.md).
+ Autorizzazioni per creare modelli di analisi
+ Conoscenza di base della sintassi delle query SQL

La procedura seguente descrive il processo di creazione di un modello di analisi SQL utilizzando la [AWS Clean Rooms console](https://console.aws.amazon.com/cleanrooms/home).

Per informazioni su come creare un modello di analisi SQL utilizzando AWS SDKs, consulta l'[AWS Clean Rooms API Reference](https://docs.aws.amazon.com/clean-rooms/latest/apireference/Welcome.html).

**Per creare un modello di analisi SQL**

1. Accedi Console di gestione AWS e apri la [AWS Clean Rooms console](https://console.aws.amazon.com/cleanrooms/home) con il programma Account AWS che fungerà da creatore della collaborazione.

1. Nel riquadro di navigazione a sinistra, scegli **Collaborazioni.**

1. Scegli la collaborazione.

1. Nella scheda **Modelli**, vai alla sezione **Modelli di analisi creati da te**.

1. Scegli **Crea modello di analisi**.

1. Nella pagina **Crea modello di analisi**, per **Dettagli**, 

   1. Immettere un **nome** per il modello di analisi.

   1. (Facoltativo) Inserite una **descrizione**.

   1. Per **Formato**, lasciate selezionata l'opzione **SQL**.

1. Per **le tabelle**, visualizza le tabelle configurate associate alla collaborazione.

1. Per **definizione**,

   1. Immettete la definizione per il modello di analisi.

   1. Scegliete **Importa da** per importare una definizione.

   1. (*Facoltativo*) Specificate un parametro nell'editor SQL inserendo i due punti (`:`) davanti al nome del parametro.

      Esempio: 

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

1. Se avete aggiunto dei parametri in precedenza, in **Parametri - opzionale**, per ogni **nome di parametro**, scegliete il **tipo** e il **valore predefinito** (opzionale).

1. Per **Dati sintetici**, se desideri generare dati sintetici per l'addestramento del modello, seleziona la casella di controllo **Richiedi che l'output del modello di analisi sia sintetico**.

   Per ulteriori informazioni, consulta Generazione di set di dati sintetici [ottimizzati per la privacy](synthetic-data-generation.md).

   1. Per la **classificazione delle colonne**, scegli una **colonna** dall'elenco a discesa. Sono necessarie almeno cinque colonne.

      1. Scegli una **classificazione** dall'elenco a discesa. Questo identifica il tipo di dati per ogni colonna.

         I tipi di classificazione includono:
         + **Numerico**: valori numerici continui come misurazioni o conteggi
         + **Categoriale:** valori o categorie discreti come etichette o tipi

      1. **Per rimuovere una colonna, seleziona Rimuovi.**

      1. Per aggiungere un'altra colonna, seleziona **Aggiungi un'altra colonna**. Scegli la **colonna** e la **classificazione** dagli elenchi a discesa.

      1. Per **Valore predittivo**, scegli una **colonna** dall'elenco a discesa. Questa è la colonna che il modello personalizzato utilizza per la previsione dopo essere stato addestrato sul set di dati sintetico.

   1. **Le impostazioni avanzate** consentono di impostare il **livello di privacy e la soglia di** **privacy**. Regola le impostazioni in base alle tue esigenze.

      1. Per il **livello di privacy**, inserisci un valore epsilon per determinare la quantità di rumore aggiunta dal modello sintetico per proteggere la privacy nel set di dati generato. Il valore deve essere compreso tra 0,0001 e 10.
        + I valori più bassi aggiungono ulteriore rumore, garantendo una maggiore protezione della privacy ma potenzialmente riducendo l'utilità del modello personalizzato a valle addestrato su questi dati.
        + Valori più alti aggiungono meno rumore, offrendo una maggiore precisione, ma riducendo potenzialmente la protezione della privacy.

        Per **Soglia di privacy**, inserisci la probabilità massima consentita che un attacco di inferenza dell'appartenenza possa identificare i membri del set di dati originale. Il valore deve essere compreso tra 50,0 e 100.
        + Un punteggio del 50% indica che un attacco basato sull'inferenza dell'appartenenza non è in grado di distinguere con successo i membri dai non membri meglio di un'ipotesi casuale.
        + Per non avere limiti di privacy, inserisci 100%.

        Il valore ottimale dipende dal caso d’uso specifico e dai requisiti in termini di privacy. Se la soglia di privacy viene superata, la creazione del canale di input ML non riesce e non è possibile utilizzare il set di dati sintetico per addestrare un modello.
**avvertimento**  
La generazione di dati sintetici protegge dall'inferire attributi individuali se nel set di dati originale sono presenti individui specifici o se sono presenti gli attributi di apprendimento di tali individui. Tuttavia, non impedisce che i valori letterali del set di dati originale, comprese le informazioni di identificazione personale (PII), compaiano nel set di dati sintetico.  
Consigliamo di evitare valori nel set di dati di input associati a un solo interessato, poiché potrebbero identificare nuovamente un interessato. Ad esempio, se un solo utente vive in un codice postale, la presenza di quel codice postale nel set di dati sintetico confermerebbe che l'utente era nel set di dati originale. Per mitigare questo rischio è possibile utilizzare tecniche come il tronco di valori ad alta precisione o la sostituzione di cataloghi non comuni con *altri*. Queste trasformazioni possono far parte della query utilizzata per creare il canale di input ML.

1. Se desideri abilitare i **tag** per la risorsa, scegli **Aggiungi nuovo tag** e inserisci la coppia **Chiave** e **Valore**.

1. Scegli **Create** (Crea).

1. Ora sei pronto per informare il tuo collaboratore che può [esaminare un modello di analisi](review-analysis-template.md). (Facoltativo se desideri interrogare i tuoi dati).

# Revisione di un modello di analisi SQL
<a name="review-analysis-template"></a>

Dopo che un membro della collaborazione ha creato un SQLanalysis modello, puoi esaminarlo e approvarlo. Una volta approvato, il modello di analisi può essere utilizzato in un'interrogazione in AWS Clean Rooms.

**Nota**  
Quando inserite il codice di analisi in una collaborazione, tenete presente quanto segue:   
AWS Clean Rooms non convalida né garantisce il comportamento del codice di analisi.   
Se devi garantire un determinato comportamento, rivedi direttamente il codice del tuo partner di collaborazione o rivolgiti a un revisore esterno affidabile per esaminarlo.
Nel modello di sicurezza condiviso:  
Tu (il cliente) sei responsabile della sicurezza del codice in esecuzione nell'ambiente.
AWS Clean Rooms è responsabile della sicurezza dell'ambiente, garantendo che  
viene eseguito solo il codice approvato 
sono accessibili solo le tabelle configurate specificate 
l'unica destinazione di uscita è il bucket S3 del ricevitore dei risultati.

**Per esaminare un modello di analisi SQL utilizzando la console AWS Clean Rooms**

1. Accedi Console di gestione AWS e apri la [AWS Clean Rooms console](https://console.aws.amazon.com/cleanrooms/home) con il programma Account AWS che fungerà da creatore della collaborazione.

1. Nel riquadro di navigazione a sinistra, scegli **Collaborazioni.**

1. Scegli la collaborazione.

1. Nella scheda **Modelli**, vai alla sezione **Modelli di analisi creati da altri membri**.

1. La scelta del modello di analisi con **lo stato Può essere eseguito** su **No richiede la tua revisione**.

1. Scegli **Rivedi**.

1. Esamina la **panoramica**, la **definizione** e **i parametri** della regola di analisi (se presenti). 

1. Esamina le tabelle configurate elencate in **Tabelle a cui si fa riferimento nella definizione**. 

   Lo **stato** accanto a ciascuna tabella riporterà la dicitura **Modello non consentito**.

1. Scegliere una tabella .    
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/clean-rooms/latest/userguide/review-analysis-template.html)

Ora sei pronto per interrogare la tabella configurata utilizzando un modello di analisi SQL. Per ulteriori informazioni, consulta [Esecuzione di query SQL](running-sql-queries.md).