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.
# Creare un processo AutoML per la previsione di serie temporali mediante l’API
La previsione nel machine learning si riferisce al processo di previsione di risultati o tendenze future sulla base di dati e modelli storici. Analizzando i dati di serie temporali passate e identificando i modelli sottostanti, gli algoritmi di machine learning possono fare previsioni e fornire informazioni preziose sul comportamento futuro. Nella previsione, l'obiettivo è sviluppare modelli in grado di catturare con precisione la relazione tra le variabili di input e la variabile target nel tempo. Ciò comporta l'esame di vari fattori come tendenze, stagionalità e altri modelli pertinenti all'interno dei dati. Le informazioni raccolte vengono quindi utilizzate per addestrare un modello di machine learning. Il modello addestrato è in grado di generare previsioni prendendo nuovi dati di input e applicando i modelli e le relazioni appresi. Può fornire previsioni per un'ampia gamma di casi d'uso, come proiezioni di vendita, tendenze del mercato azionario, previsioni meteorologiche, previsioni della domanda e molti altri.
[Le seguenti istruzioni mostrano come creare un job Amazon SageMaker Autopilot come esperimento pilota per tipi di problemi di previsione di serie temporali utilizzando API Reference. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-reference.html)
**Nota**
Attività come la classificazione di testo e immagini, la previsione di serie temporali e il fine-tuning di modelli linguistici di grandi dimensioni sono disponibili esclusivamente tramite la versione 2 della [REST API AutoML](autopilot-reference.md). Se il linguaggio che preferisci è Python, puoi fare riferimento [AWS SDK per Python (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker/client/create_auto_ml_job_v2.html)o direttamente all'[MLV2 oggetto Auto dell'SDK](https://sagemaker.readthedocs.io/en/stable/api/training/automlv2.html#sagemaker.automl.automlv2.AutoMLV2) Amazon SageMaker Python.
Gli utenti che preferiscono la comodità di un'interfaccia utente possono utilizzare [Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html) per accedere a modelli pre-addestrati e modelli di base di intelligenza artificiale generativa o creare modelli personalizzati su misura per testi specifici, classificazione delle immagini, esigenze di previsione o intelligenza artificiale generativa.
Puoi creare un esperimento di previsione di serie temporali Autopilot a livello di codice chiamando l'API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html)in qualsiasi lingua supportata da Amazon Autopilot o da. SageMaker AWS CLI
Per informazioni su come questa azione API si traduce in una funzione nella lingua che preferisci, consulta [Vedi anche](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#API_CreateAutoMLJobV2_SeeAlso) di `CreateAutoMLJobV2` e seleziona un SDK. Ad esempio, per gli utenti di Python, vedi la sintassi completa della richiesta di `[create\$1auto\$1ml\$1job\$1v2](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_auto_ml_job_v2)` in AWS SDK per Python (Boto3).
Autopilot addestra diversi modelli candidati con le serie temporali target, quindi seleziona un modello di previsione ottimale per un determinato parametro oggettivo. Una volta formati i tuoi candidati modello, puoi trovare i migliori parametri dei candidati nella risposta a `[DescribeAutoMLJobV2](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeAutoMLJobV2.html)` su `[BestCandidate](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CandidateProperties.html#sagemaker-Type-CandidateProperties-CandidateMetrics)`.
Le sezioni seguenti definiscono i parametri di richiesta di input obbligatori e facoltativi per l'API `CreateAutoMLJobV2` utilizzata nella previsione delle serie temporali.
**Nota**
Fai riferimento al notebook [Time-Series Forecasting with Amazon SageMaker Autopilot](https://github.com/aws/amazon-sagemaker-examples/blob/main/autopilot/autopilot_time_series.ipynb) per un esempio pratico e pratico di previsione delle serie temporali. In questo notebook, usi Amazon SageMaker Autopilot per addestrare un modello di serie temporali e produrre previsioni utilizzando il modello addestrato. Il notebook fornisce istruzioni per recuperare un set di dati cronologici tabulari già pronto all'uso su Amazon S3.
## Prerequisiti
Prima di utilizzare Autopilot per creare un esperimento di previsione di serie temporali in AI, assicurati di: SageMaker
+ Preparare il set di dati delle serie temporali. La preparazione del set di dati prevede la raccolta di dati pertinenti da varie fonti, la pulizia e il filtraggio per rimuovere dati di disturbo e incongruenze e l'organizzazione in un formato strutturato. Vedi [Formato dei set di dati delle serie temporali e metodi di riempimento dei valori mancanti](timeseries-forecasting-data-format.md) per saperne di più sui requisiti dei formati delle serie temporali in Autopilot. Facoltativamente, puoi integrare il tuo set di dati con il calendario delle festività nazionali del Paese di tua scelta per acquisire i modelli associati. Per ulteriori informazioni sui calendari delle festività, vedere [Calendari nazionali delle festività](autopilot-timeseries-forecasting-holiday-calendars.md).
**Nota**
È consigliabile fornire almeno 3-5 punti dati storici per ogni punto dati futuro da prevedere. Ad esempio, per prevedere con 7 giorni di anticipo (orizzonte di 1 settimana) sulla base di dati giornalieri, addestra il modello su un minimo di 21-35 giorni di dati storici. Assicurati di fornire dati sufficienti per acquisire modelli stagionali e ricorrenti.
+ Inserisci i dati della serie temporale in un bucket Amazon S3.
+ Concedi l'accesso completo al bucket Amazon S3 contenente i dati di input per il ruolo di esecuzione dell' SageMaker IA utilizzato per eseguire l'esperimento. Fatto ciò, è possibile utilizzare l'ARN di questo ruolo di esecuzione nelle richieste API Autopilot.
+ Per informazioni sul recupero del ruolo di esecuzione dell' SageMaker IA, consulta. [Acquisizione del ruolo di esecuzione](sagemaker-roles.md#sagemaker-roles-get-execution-role)
+ Per informazioni sulla concessione delle autorizzazioni per il ruolo di esecuzione SageMaker AI per accedere a uno o più bucket specifici in Amazon S3, consulta Aggiungere ulteriori *autorizzazioni Amazon S3* a un ruolo di esecuzione AI in. SageMaker [Crea ruolo di esecuzione](sagemaker-roles.md#sagemaker-roles-create-execution-role)
## Parametri obbligatori
Quando chiami `[CreateAutoMLJobV2](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html)` per creare un esperimento Autopilot per la previsione di serie temporali, devi fornire i seguenti valori:
+ Un `[AutoMLJobName](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#API_CreateAutoMLJobV2_RequestSyntax)` per specificare il nome del processo. Il nome deve essere di tipo `string` con una lunghezza minima di 1 carattere e una lunghezza massima di 32.
+ Almeno un `[AutoMLJobChannel](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLJobChannel.html)` in `[AutoMLJobInputDataConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#sagemaker-CreateAutoMLJobV2-request-AutoMLJobInputDataConfig)` in cui specifichi il nome del bucket Amazon S3 che contiene i tuoi dati. Facoltativamente, puoi specificare i tipi di contenuto (file CSV o Parquet) e di compressione (). GZip
+ Un `[AutoMLProblemTypeConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#sagemaker-CreateAutoMLJobV2-request-AutoMLProblemTypeConfig)` di tipo `[TimeSeriesForecastingJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TimeSeriesForecastingJobConfig.html)` per configurare le impostazioni del processo di previsione delle serie temporali. In particolare, è necessario specificare:
+ La **frequenza** delle previsioni, che si riferisce alla granularità desiderata (oraria, giornaliera, mensile, ecc.) della previsione.
Gli intervalli validi sono un numero intero seguito da `Y` (anno), `M` (mese), `W` (settimana), `D` (giorno), `H` (ora) e `min` (minuti). Ad esempio, `1D` indica ogni giorno e `15min` indica ogni 15 minuti. Il valore di una frequenza non deve sovrapporsi alla successiva frequenza più grande. Ad esempio, è necessario utilizzare una frequenza di `1H` anziché di `60min`.
Di seguito sono riportati i valori validi per ciascuna frequenza:
+ Minuti: 1-59
+ Ora: 1-23
+ Giorno: 1-6
+ Settimana: 1-4
+ Mese: 1-11
+ Anno: 1
+ L'**orizzonte** delle previsioni nella tua previsione, che si riferisce al numero di fasi temporali previste dal modello. L'orizzonte di previsione è anche chiamato lunghezza della previsione. L'orizzonte di previsione massimo è il minore tra 500 fasi temporali o 1/4 delle fasi temporali del set di dati.
+ A [TimeSeriesConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TimeSeriesConfig.html)in cui si definisce lo schema del set di dati per mappare le intestazioni delle colonne alla previsione specificando:
+ Un `TargetAttributeName`: La colonna che contiene i dati storici del campo di destinazione da prevedere.
+ Un `TimestampAttributeName`: La colonna che contiene un momento temporale in cui viene registrato il valore target di un determinato elemento.
+ Un `ItemIdentifierAttributeName`: La colonna che contiene gli identificatori degli elementi per i quali si desidera prevedere il valore di target.
Di seguito è riportato un esempio di questi parametri. In questo esempio, stai impostando una previsione giornaliera per la quantità o il livello di domanda previsti di articoli specifici per un periodo di 20 giorni.
```
"AutoMLProblemTypeConfig": {
"ForecastFrequency": "D",
"ForecastHorizon": 20,
"TimeSeriesConfig": {
"TargetAttributeName": "demand",
"TimestampAttributeName": "timestamp",
"ItemIdentifierAttributeName": "item_id"
},
```
+ Un `[OutputDataConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLOutputDataConfig.html)` per specificare il percorso di output di Amazon S3 per archiviare gli artefatti del processo AutoML.
+ Un `[RoleArn](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html#sagemaker-CreateAutoMLJob-request-RoleArn)` per specificare l'ARN del ruolo utilizzato per accedere ai dati. È possibile utilizzare l'ARN del ruolo di esecuzione a cui hai concesso l'accesso ai tuoi dati.
Tutti gli altri parametri sono facoltativi. Ad esempio, è possibile impostare quantili di previsione specifici, scegliere un metodo di riempimento per i valori mancanti nel set di dati o definire come aggregare i dati che non sono in linea con la frequenza di previsione. Per informazioni su come impostare questi parametri aggiuntivi, consulta [Parametri facoltativi](#timeseries-forecasting-api-optional-params).
## Parametri facoltativi
Le sezioni seguenti forniscono dettagli su alcuni parametri opzionali che è possibile passare al processo AutoML di previsione delle serie temporali.
### Come specificare gli algoritmi
Per impostazione predefinita, il processo di Autopilot addestra un elenco predefinito di algoritmi sul set di dati. Tuttavia, è possibile fornire un sottoinsieme della selezione predefinita di algoritmi.
Per la previsione di serie temporali, è necessario scegliere `[TimeSeriesForecastingJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TimeSeriesForecastingJobConfig.html)` come tipo di `[AutoMLProblemTypeConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#sagemaker-CreateAutoMLJobV2-request-AutoMLProblemTypeConfig)`.
Quindi, è possibile specificare una matrice di selezioni `AutoMLAlgorithms` nell'attributo di`AlgorithmsConfig`. [CandidateGenerationConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CandidateGenerationConfig.html)
Di seguito è riportato un esempio di attributo `AlgorithmsConfig` che elenca esattamente tre algoritmi (“cnn-qr”, “prophet”, “arima”) nel rispettivo campo `AutoMLAlgorithms`.
```
{
"[AutoMLProblemTypeConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#sagemaker-CreateAutoMLJobV2-request-AutoMLProblemTypeConfig)": {
"[TimeSeriesForecastingJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TimeSeriesForecastingJobConfig.html)": {
"[CandidateGenerationConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CandidateGenerationConfig.html)": {
"[AlgorithmsConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CandidateGenerationConfig.html#sagemaker-Type-CandidateGenerationConfig-AlgorithmsConfig)":[
{"[AutoMLAlgorithms](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLAlgorithmConfig.html)":["cnn-qr", "prophet", "arima"]}
]
},
},
},
}
```
Per l’elenco degli algoritmi disponibili per la previsione di serie temporali, consulta [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLAlgorithmConfig.html#sagemaker-Type-AutoMLAlgorithmConfig-AutoMLAlgorithms](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLAlgorithmConfig.html#sagemaker-Type-AutoMLAlgorithmConfig-AutoMLAlgorithms). Per informazioni dettagliate su ciascun algoritmo, vedere [Supporto di algoritmi per la previsione di serie temporali](timeseries-forecasting-algorithms.md).
### Come specificare quantili personalizzati
Autopilot addestra 6 modelli candidati con le serie temporali target, quindi combina questi modelli utilizzando un metodo di sovrapposizione per creare un modello di previsione ottimale per un determinato parametro oggettivo. Ogni modello di previsione Autopilot genera una previsione probabilistica producendo previsioni con quantili compresi tra P1 e P99. Questi quantili vengono utilizzati per tenere conto dell'incertezza delle previsioni. Per impostazione predefinita, verranno generate previsioni per 0,1 (`p10`), 0,5 (`p50`) e 0,9 (`p90`). È possibile scegliere di specificare i propri quantili.
In Autopilot, è possibile specificare fino a cinque quantili di previsione da 0,01 (`p1`) a 0,99 (`p99`), con incrementi di 0,01 o superiori nell'attributo di. `ForecastQuantiles` [TimeSeriesForecastingJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TimeSeriesForecastingJobConfig.html)
Nell'esempio seguente, si sta impostando una previsione giornaliera del 10°, 25°, 50°, 75° e 90° percentile per la quantità o il livello di domanda previsti di articoli specifici in un periodo di 20 giorni.
```
"AutoMLProblemTypeConfig": {
"ForecastFrequency": "D",
"ForecastHorizon": 20,
"ForecastQuantiles": ["p10", "p25", "p50", "p75", "p90"],
"TimeSeriesConfig": {
"TargetAttributeName": "demand",
"TimestampAttributeName": "timestamp",
"ItemIdentifierAttributeName": "item_id"
},
```
### Come aggregare i dati per diverse frequenze di previsione
Per creare un modello previsionale (definito anche come il miglior modello candidato dell'esperimento), è necessario specificare una frequenza di previsione. La frequenza delle previsioni determina la frequenza delle anticipazioni. Ad esempio, previsioni di vendita mensili. Il modello migliore Autopilot può generare previsioni per frequenze di dati superiori alla frequenza con cui vengono registrati i dati.
Durante l'addestramento, Autopilot aggrega tutti i dati che non sono in linea con la frequenza di previsione specificata. Ad esempio, potresti avere alcuni dati giornalieri ma specificare una frequenza di previsione settimanale. Autopilot allinea i dati giornalieri in base alla settimana a cui appartengono. Autopilot li combina quindi in un unico record per ogni settimana.
Durante l'aggregazione, il metodo di trasformazione predefinito consiste nel sommare i dati. È possibile configurare l'aggregazione quando si crea il job AutoML nell'attributo `Transformations` di. [TimeSeriesForecastingJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TimeSeriesForecastingJobConfig.html) I metodi di aggregazione supportati sono `sum` (impostazione predefinita), `avg`, `first`, `min`, `max`. L'aggregazione è supportata solo per la colonna di destinazione.
Nell'esempio seguente, configuri l'aggregazione per calcolare la media delle singole previsioni promozionali e fornire i valori finali aggregati delle previsioni.
```
"Transformations": {
"Aggregation": {
"promo": "avg"
}
}
```
### Come gestire i valori mancanti nei set di dati di input.
Autopilot fornisce una serie di metodi di riempimento per gestire i valori mancanti nella colonna di destinazione e in altre colonne numeriche dei set di dati delle serie temporali. Per informazioni sull'elenco dei metodi di riempimento supportati e sulla relativa logica di riempimento disponibile, vedere [Gestione dei valori mancanti](timeseries-forecasting-data-format.md#timeseries-missing-values).
Puoi configurare la tua strategia di riempimento nell'`Transformations`attributo di [TimeSeriesForecastingJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TimeSeriesForecastingJobConfig.html)quando crei il tuo lavoro AutoML.
Per impostare un metodo di riempimento, devi fornire una coppia chiave-valore:
+ La chiave è il nome della colonna per la quale desideri specificare il metodo di riempimento.
+ Il valore associato alla chiave è un oggetto che definisce la strategia di riempimento di quella colonna.
È possibile specificare più metodi di riempimento di una singola colonna.
Per impostare un valore specifico del metodo di riempimento, è necessario impostare il parametro di riempimento sul valore del metodo di riempimento desiderato (ad esempio `"backfill" : "value"`) e definire il valore di riempimento effettivo in un parametro aggiuntivo con il suffisso «\$1value». Ad esempio, per impostare `backfill` a un valore di `2`, è necessario includere due parametri: `"backfill": "value"` e `"backfill_value":"2"`.
Nell'esempio seguente, si specifica la strategia di riempimento per la colonna di dati incompleti, «prezzo», nel modo seguente: tutti i valori mancanti tra la prima coordinata di un elemento e l'ultima vengono impostati a `0`, dopo di che tutti i valori mancanti vengono riempiti con il valore `2` fino alla data di fine del set di dati.
```
"Transformations": {
"Filling": {
"price": {
"middlefill" : "zero",
"backfill" : "value",
"backfill_value": "2"
}
}
}
```
### Come specificare un parametro oggettivo
Autopilot produce parametri di precisione per valutare i modelli candidati e aiutarti a scegliere quali utilizzare per generare previsioni. Quando esegui un esperimento di previsione di serie temporali, puoi scegliere AutoML per consentire ad Autopilot di ottimizzare il predittore per te, oppure puoi scegliere manualmente un algoritmo per il tuo predittore.
Per impostazione predefinita, Autopilot utilizza la perdita quantile ponderata media. [Tuttavia, puoi configurare la metrica dell'obiettivo quando crei il tuo job AutoML nell'`MetricName`attributo Auto Objective. MLJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLJobObjective.html)
Per l'elenco degli algoritmi disponibili, vedere [Supporto di algoritmi per la previsione di serie temporali](timeseries-forecasting-algorithms.md).
### Come incorporare le informazioni sulle festività nazionali nel set di dati
In Autopilot, è possibile incorporare nelle proprie serie storiche un set di dati progettato con funzionalità di informazioni sulle festività nazionali. Autopilot fornisce supporto nativo per i calendari delle festività di oltre 250 Paesi. Dopo aver scelto un Paese, durante l'addestramento Autopilot applica il calendario delle festività di quel Paese a ogni elemento del set di dati. Ciò consente al modello di identificare i modelli associati a festività specifiche.
È possibile abilitare la funzionalità delle festività quando si crea il job AutoML passando un [HolidayConfigAttributes](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_HolidayConfigAttributes.html)oggetto all'attributo di. `HolidayConfig` [TimeSeriesForecastingJobConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TimeSeriesForecastingJobConfig.html) L'oggetto `HolidayConfigAttributes` contiene l'attributo a due lettere `CountryCode` che determina il Paese del calendario delle festività nazionali pubbliche utilizzato per aumentare il set di dati delle serie temporali.
Fai riferimento a [Codice del paese](autopilot-timeseries-forecasting-holiday-calendars.md#holiday-country-codes) per l'elenco dei calendari supportati e il codice del Paese corrispondente.
### Come abilitare l'implementazione automatica
Autopilot ti consente di implementare automaticamente il tuo modello di previsione su un endpoint. Per abilitare l’implementazione automatica per il miglior modello candidato di un processo AutoML, includi un `[ModelDeployConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJobV2.html#sagemaker-CreateAutoMLJobV2-request-ModelDeployConfig)` nella richiesta di processo AutoML. Ciò consente l'implementazione del modello migliore su un SageMaker endpoint di intelligenza artificiale. Di seguito sono riportate le configurazioni disponibili per la personalizzazione.
+ Per consentire ad Autopilot di generare il nome dell'endpoint, imposta `[AutoGenerateEndpointName](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ModelDeployConfig.html#API_ModelDeployConfig_Contents)` su `True`.
+ Per fornire il tuo nome per l'endpoint, imposta. `[AutoGenerateEndpointName](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ModelDeployConfig.html#API_ModelDeployConfig_Contents) to False and provide a name of your choice in [EndpointName](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ModelDeployConfig.html#API_ModelDeployConfig_Contents)`
### Come configurare AutoML per avviare un processo remoto su EMR Serverless per set di dati di grandi dimensioni
È possibile configurare un processo AutoML V2 per avviare automaticamente un processo remoto su Amazon EMR Serverless quando sono necessarie risorse di calcolo aggiuntive per elaborare set di dati di grandi dimensioni. Passando senza problemi a EMR Serverless quando necessario, il processo AutoML è in grado di gestire set di dati che altrimenti supererebbero le risorse inizialmente allocate, senza alcun intervento manuale da parte dell’utente. EMR Serverless è disponibile per tipi di problemi relativi a dati tabulari e serie temporali. È consigliabile configurare questa opzione per set di dati di serie temporali di dimensioni superiori a 30 GB.
Per consentire al processo AutoML V2 di passare automaticamente a EMR Serverless per set di dati di grandi dimensioni, è necessario fornire un oggetto `EmrServerlessComputeConfig` che includa un campo `ExecutionRoleARN` ad `AutoMLComputeConfig` nella richiesta di input del processo AutoML V2.
`ExecutionRoleARN` è l’ARN del ruolo IAM che concede al processo AutoML V2 le autorizzazioni necessarie per eseguire i processi EMR Serverless.
Questo ruolo deve avere la relazione di attendibilità seguente:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": "emr-serverless.amazonaws.com"
},
"Action": "sts:AssumeRole"
}
]
}
```
------
E concedere le autorizzazioni per:
+ creare, elencare e aggiornare le applicazioni EMR Serverless;
+ avviare, elencare, ottenere o annullare esecuzioni di job su un’applicazione EMR Serverless;
+ etichettare le risorse EMR Serverless;
+ passare un ruolo IAM al servizio EMR Serverless per l’esecuzione.
Concedendo l’autorizzazione `iam:PassRole`, il processo AutoML V2 può assumere temporaneamente il ruolo `EMRServerlessRuntimeRole-*` e passarlo al servizio EMR Serverless. Questi sono i ruoli IAM utilizzati dagli ambienti di esecuzione dei lavori EMR Serverless per accedere ad altri AWS servizi e risorse necessari durante il runtime, come Amazon S3 per l'accesso ai dati, per la registrazione, CloudWatch l'accesso al AWS Glue Data Catalog o altri servizi in base ai requisiti del carico di lavoro.
Per informazioni dettagliate sulle autorizzazioni di questo ruolo, consulta [Job runtime roles for Amazon EMR Serverless](https://docs.aws.amazon.com/emr/latest/EMR-Serverless-UserGuide/security-iam-runtime-role.html).
La policy IAM definita nel documento JSON fornito concede queste autorizzazioni:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [{
"Sid": "EMRServerlessCreateApplicationOperation",
"Effect": "Allow",
"Action": "emr-serverless:CreateApplication",
"Resource": "arn:aws:emr-serverless:*:*:/*",
"Condition": {
"StringEquals": {
"aws:RequestTag/sagemaker:is-canvas-resource": "True",
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
},
{
"Sid": "EMRServerlessListApplicationOperation",
"Effect": "Allow",
"Action": "emr-serverless:ListApplications",
"Resource": "arn:aws:emr-serverless:*:*:/*",
"Condition": {
"StringEquals": {
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
},
{
"Sid": "EMRServerlessApplicationOperations",
"Effect": "Allow",
"Action": [
"emr-serverless:UpdateApplication",
"emr-serverless:GetApplication"
],
"Resource": "arn:aws:emr-serverless:*:*:/applications/*",
"Condition": {
"StringEquals": {
"aws:ResourceTag/sagemaker:is-canvas-resource": "True",
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
},
{
"Sid": "EMRServerlessStartJobRunOperation",
"Effect": "Allow",
"Action": "emr-serverless:StartJobRun",
"Resource": "arn:aws:emr-serverless:*:*:/applications/*",
"Condition": {
"StringEquals": {
"aws:RequestTag/sagemaker:is-canvas-resource": "True",
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
},
{
"Sid": "EMRServerlessListJobRunOperation",
"Effect": "Allow",
"Action": "emr-serverless:ListJobRuns",
"Resource": "arn:aws:emr-serverless:*:*:/applications/*",
"Condition": {
"StringEquals": {
"aws:ResourceTag/sagemaker:is-canvas-resource": "True",
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
},
{
"Sid": "EMRServerlessJobRunOperations",
"Effect": "Allow",
"Action": [
"emr-serverless:GetJobRun",
"emr-serverless:CancelJobRun"
],
"Resource": "arn:aws:emr-serverless:*:*:/applications/*/jobruns/*",
"Condition": {
"StringEquals": {
"aws:ResourceTag/sagemaker:is-canvas-resource": "True",
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
},
{
"Sid": "EMRServerlessTagResourceOperation",
"Effect": "Allow",
"Action": "emr-serverless:TagResource",
"Resource": "arn:aws:emr-serverless:*:*:/*",
"Condition": {
"StringEquals": {
"aws:RequestTag/sagemaker:is-canvas-resource": "True",
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
},
{
"Sid": "IAMPassOperationForEMRServerless",
"Effect": "Allow",
"Action": "iam:PassRole",
"Resource": "arn:aws:iam::*:role/EMRServerlessRuntimeRole-*",
"Condition": {
"StringEquals": {
"iam:PassedToService": "emr-serverless.amazonaws.com",
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
}
]
}
```
------