Creazione di un canale di input ML in AWS Clean Rooms ML

Per creare un canale di input ML (console)

1. Accedi a Console di gestione AWS e apri la AWS Clean Rooms console all'indirizzo https://console.aws.amazon.com/cleanrooms.

2. Nel riquadro di navigazione a sinistra, scegli Collaborazioni.

3. Nella pagina Collaborazioni, scegli la collaborazione in cui desideri creare un canale di input ML.

4. Dopo l'apertura della collaborazione, scegli la scheda Modelli ML.

5. In Modelli ML personalizzati, nella sezione Canali di input ML, scegli Crea canale di input ML.

6. Nella pagina Crea canale di ingresso ML, per i dettagli del canale di ingresso ML, procedi come segue:

   1. In Nome, inserisci un nome univoco per il tuo canale.

   2. (Facoltativo) In Descrizione, inserisci una descrizione del tuo canale.

   3. Per Algoritmo del modello associato, selezionate l'algoritmo da utilizzare.

      Scegli Associa un algoritmo del modello per aggiungerne uno nuovo.

7. Per Dataset, scegli un metodo per generare il set di dati di addestramento:

   • Scegliete una query SQL per utilizzare i risultati di una query SQL come set di dati di addestramento.

     Se hai scelto una query SQL, inserisci la tua query nel campo Query SQL.

     (Facoltativo) Per importare una query che hai usato di recente, scegli Importa da query recenti.

   • Scegli Modello di analisi per utilizzare i risultati di un modello di analisi come set di dati di addestramento.

     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 non è associata alcuna tabella, scegliete Associa tabella per aggiungere tabelle con una regola di analisi che può essere eseguita per il modello specificato.

   2. Scegli il tipo di lavoratore da utilizzare durante la creazione di questo canale dati. Il tipo di lavoratore predefinito è CR.1X. Specificare il numero di lavoratori da utilizzare. Il numero di lavoratori predefinito è 16. Per specificare le proprietà di Spark:

      1. Espandi le proprietà di Spark.

      2. Scegli Aggiungi proprietà Spark.

      3. Nella finestra di dialogo delle proprietà di Spark, scegli il nome di una proprietà dall'elenco a discesa e inserisci un valore.

      Le tabelle seguenti forniscono una definizione per ogni proprietà.

      Per ulteriori informazioni sulle proprietà di Spark, consulta Spark Properties nella documentazione di Apache Spark.

      Nota

      Puoi configurare un massimo di 50 proprietà Spark. Il valore di ogni proprietà può contenere fino a 500 caratteri.

      Nome proprietà	Description	Valore predefinito
      spark.task.maxFailures	Controlla quante volte consecutive un'attività può fallire prima che il lavoro fallisca. Richiede un valore maggiore o uguale a 1. Il numero di tentativi consentiti è uguale a questo valore meno 1. Il conteggio degli errori viene azzerato se un tentativo ha esito positivo. Gli errori nelle diverse attività non si accumulano entro questo limite.	4
      spark.sql.files.max PartitionBytes	Imposta il numero massimo di byte da comprimere in una singola partizione durante la lettura da fonti basate su file come Parquet, JSON e ORC.	128 MB
      Spark.Hadoop.fs.s3.max riprova	Imposta il numero massimo di tentativi di nuovo tentativo per le operazioni sui file di Amazon S3.	(nessuno)
      spark.network.timeout	Imposta il timeout predefinito per tutte le interazioni di rete. Sostituisce le seguenti impostazioni di timeout se non sono configurate: spark.storage.block ManagerHeartbeatTimeoutMs spark.shuffle.io.ConnectionTimeout spark.rpc.askTimeout spark.rpc.lookupTimeout	120 secondi
      spark.rdd.compress	Speciifica se comprimere le partizioni RDD serializzate utilizzando spark.io.compression.codec. Si applica a StorageLevel.MEMORY _ONLY_SER in Java e Scala o StorageLevel.MEMORY _ONLY in Python. Riduce lo spazio di archiviazione ma richiede tempi di elaborazione della CPU aggiuntivi.	false
      spark.shuffle.spill.compress	Speciifica se comprimere i dati relativi alle fuoriuscite casuali utilizzando spark.io.compression.codec.	true
      spark.shuffle.com/press	Speciifica se comprimere i file di output delle mappe. La compressione utilizza spark.io.compression.codec.	true
      spark.shuffle.service.index.cache.size	Imposta il limite di dimensione della cache, in byte, se non diversamente specificato.	100 m
      Spark.shuffle.io.max riprova	Imposta il numero massimo di tentativi per i recuperi che non riescono a causa di eccezioni. IO-related	3
      spark.shuffle.io.RetryWait	Imposta il tempo di attesa tra i tentativi di recupero. Il ritardo massimo causato dai nuovi tentativi è di 15 secondi per impostazione predefinita, calcolato come maxRetries * RetryWait.	5 secondi
      Spark.shuffle.io.ConnectionTimeout	Imposta il timeout per le connessioni stabilite tra server shuffle e client da contrassegnare come inattive e chiuse se ci sono ancora richieste di recupero in sospeso ma non c'è traffico sul canale.	(valore di spark.network.timeout)
      spark.driver.max ResultSize	Imposta il limite di dimensione totale dei risultati serializzati di tutte le partizioni per ogni azione Spark, in byte. Deve essere almeno 1 M o 0 per un numero illimitato.	1 g
      spark.memory.fraction	Imposta la frazione di (spazio heap - 300 MB) utilizzata per l'esecuzione e l'archiviazione. Più basso è questo valore, più frequentemente si verificano fuoriuscite ed eliminazione dei dati memorizzati nella cache. Si consiglia di lasciare questo valore al valore predefinito.	0.6
      spark.scheduler.mode	Imposta la modalità di pianificazione tra i lavori inviati allo stesso. SparkContext Può essere impostato su FAIR per utilizzare la condivisione equa invece di mettere in coda i lavori uno dopo l'altro. Valori supportati: FAIR, FIFO.	FIFO
      spark.sql.adaptive.advisory PartitionSizeInBytes	Imposta la dimensione di destinazione in byte per le partizioni shuffle durante l'ottimizzazione adattiva quando spark.sql.adaptive.enabled è true. Controlla la dimensione della partizione quando si uniscono partizioni piccole o si dividono partizioni inclinate.	(valore di PostShuffleInputSize spark.sql.adaptive.shuffle.target)
      spark.sql.adaptive.auto BroadcastJoinThreshold	Imposta la dimensione massima della tabella in byte per la trasmissione ai nodi di lavoro durante i join. Si applica solo in un framework adattivo. Utilizza lo stesso valore predefinito di BroadcastJoinThreshold spark.sql.auto. Imposta su -1 per disabilitare la trasmissione.	(nessuno)
      spark.sql.adaptive.coalesce Partitions.enabled	Specifica se unire partizioni shuffle contigue basate su spark.sql.adaptive.advisory per ottimizzare le dimensioni delle attività. PartitionSizeInBytes Richiede che spark.sql.adaptive.enabled sia vero.	true
      spark.sql.adaptive.coalesce Partitions.initialPartitionNum	Definisce il numero iniziale di partizioni shuffle prima della coalescenza. Richiede che spark.sql.adaptive.enabled e spark.sql.adaptive.coalesce siano true. Partitions.enabled Il valore predefinito è spark.sql.shuffle.partitions.	(nessuno)
      spark.sql.adaptive.coalesce Partitions.minPartitionSize	Imposta la dimensione minima per le partizioni shuffle coalescenti per evitare che diventino troppo piccole durante l'ottimizzazione adattiva.	1 MB
      spark.sql.adaptive.coalesce Partitions.parallelismFirst	Specifica se calcolare le dimensioni delle partizioni in base al parallelismo del cluster anziché a spark.sql.adaptive.advisory durante la coalescenza delle partizioni. PartitionSizeInBytes Genera partizioni di dimensioni inferiori rispetto alla dimensione di destinazione configurata per massimizzare il parallelismo. Si consiglia di impostarlo su false nei cluster occupati per migliorare l'utilizzo delle risorse evitando attività troppo piccole.	true
      spark.sql.adaptive.enabled	Speciifica se abilitare l'esecuzione adattiva delle query per riottimizzare i piani di query durante l'esecuzione delle query, sulla base di statistiche di runtime accurate.	true
      spark.sql.adaptive.force OptimizeSkewedJoin	Specifica se forzare l'abilitazione anche se introduce uno shuffle aggiuntivo. OptimizeSkewedJoin	false
      spark.sql.adaptive.local ShuffleReader.enabled	Speciifica se utilizzare i lettori shuffle locali quando il partizionamento shuffle non è richiesto, ad esempio dopo la conversione da join sort-merge a join broadcast-hash. Richiede che spark.sql.adaptive.enabled sia true.	true
      spark.sql.adaptive.max ShuffledHashJoinLocalMapThreshold	Imposta la dimensione massima della partizione in byte per la creazione di mappe hash locali. Assegna la priorità agli hash join mischiati rispetto ai join sort-merge quando: Questo valore è uguale o superiore a spark.sql.adaptive.advisory PartitionSizeInBytes Tutte le dimensioni delle partizioni rientrano in questo limite Sostituisce l'impostazione spark.sql.join.prefer. SortMergeJoin	0 byte
      spark.sql.adaptive.optimize SkewsInRebalancePartitions.enabled	Specifica se ottimizzare le partizioni shuffle inclinate suddividendole in partizioni più piccole basate su spark.sql.adaptive.advisory. PartitionSizeInBytes Richiede che spark.sql.adaptive.enabled sia true.	true
      spark.sql.adaptive.rebalance PartitionsSmallPartitionFactor	Definisce il fattore di soglia dimensionale per l'unione delle partizioni durante la divisione. Le partizioni più piccole di questo fattore moltiplicate per spark.sql.adaptive.advisory vengono unite. PartitionSizeInBytes	0.2
      spark.sql.adaptive.skew Join.enabled	Speciifica se gestire l'inclinazione dei dati nei join mescolati suddividendo e, facoltativamente, replicando le partizioni inclinate. Si applica agli hash join di tipo sort-merge e shuffled. Richiede che spark.sql.adaptive.enabled sia vero.	true
      spark.sql.adaptive.skew Join.skewedPartitionFactor	Determina il fattore di dimensione che determina l'inclinazione della partizione. Una partizione è inclinata quando le sue dimensioni superano entrambe le partizioni: Questo fattore viene moltiplicato per la dimensione media della partizione Il valore di spark.sql.adaptive.skew Join.skewedPartitionThresholdInBytes	5
      spark.sql.adaptive.skew Join.skewedPartitionThresholdInBytes	Imposta la soglia di dimensione in byte per identificare le partizioni inclinate. Una partizione è inclinata quando la sua dimensione supera entrambe: Questa soglia La dimensione mediana della partizione moltiplicata per spark.sql.adaptive.skew Join.skewedPartitionFactor Consigliamo di impostare questo valore più grande di spark.sql.adaptive.advisory. PartitionSizeInBytes	256 MB
      Spark.sql.BroadcastTimeout	Controlla il periodo di timeout in secondi per le operazioni di trasmissione durante i join di trasmissione.	300 secondi
      spark.sql.cbo.enabled	Speciifica se abilitare l'ottimizzazione basata sui costi (CBO) per la stima delle statistiche del piano.	false
      spark.sql.cbo.join Reorder.dp.star.filter	Speciifica se applicare l'euristica del filtro star-join durante l'enumerazione dei join basata sui costi.	false
      spark.sql.cbo.join Reorder.dp.threshold	Imposta il numero massimo di nodi uniti consentiti nell'algoritmo di programmazione dinamica.	12
      spark.sql.cbo.join Reorder.enabled	Speciifica se abilitare il riordino dei join nell'ottimizzazione basata sui costi (CBO).	false
      spark.sql.cbo.plan Stats.enabled	Speciifica se recuperare il conteggio delle righe e le statistiche delle colonne dal catalogo durante la generazione del piano logico.	false
      spark.sql.cbo.star SchemaDetection	Specifica se abilitare il riordino dei join in base al rilevamento dello schema a stella.	false
      spark.sql.files.max PartitionNum	Imposta il numero massimo di partizioni di file suddivise per sorgenti basate su file (Parquet, JSON e ORC). Ridimensiona le partizioni quando il conteggio iniziale supera questo valore. Si tratta di un obiettivo consigliato, non di un limite garantito.	(nessuno)
      spark.sql.files.max RecordsPerFile	Imposta il numero massimo di record da scrivere su un singolo file. Nessun limite si applica se impostato su zero o su un valore negativo.	0
      spark.sql.files.min PartitionNum	Imposta il numero minimo di partizioni di file suddivise per sorgenti basate su file (Parquet, JSON e ORC). Il NodeDefaultParallelism valore predefinito è spark.sql.leaf. Questo è un obiettivo consigliato, non un limite garantito.	(nessuno)
      spark.sql.in MemoryColumnarStorage.batchSize	Controlla la dimensione del batch per la memorizzazione nella cache colonnare. L'aumento delle dimensioni migliora l'utilizzo e la compressione della memoria, ma aumenta il rischio di errori di esaurimento della memoria.	10000
      spark.sql.in MemoryColumnarStorage.compressed	Speciifica se selezionare automaticamente i codec di compressione per le colonne in base alle statistiche dei dati.	true
      spark.sql.in MemoryColumnarStorage.enableVectorizedReader	Speciifica se abilitare la lettura vettoriale per la memorizzazione nella cache colonnare.	true
      spark.sql.legacy.allow HashOnMapType	Speciifica se consentire le operazioni di hash su strutture di dati di tipo mappa. Questa impostazione precedente mantiene la compatibilità con la gestione dei tipi di mappa delle versioni precedenti di Spark.	(nessuno)
      spark.sql.legacy.allow NegativeScaleOfDecimal	Speciifica se consentire valori di scala negativi nelle definizioni dei tipi decimali. Questa impostazione precedente mantiene la compatibilità con le versioni precedenti di Spark che supportavano scale decimali negative.	(nessuno)
      spark.sql.legacy.cast ComplexTypesToString.enabled	Specifica se abilitare il comportamento legacy per trasmettere tipi complessi alle stringhe. Mantiene la compatibilità con le regole di conversione dei tipi delle versioni precedenti di Spark.	(nessuno)
      spark.sql.legacy.char VarcharAsString	Speciifica se trattare i tipi CHAR e VARCHAR come tipi STRING. Questa impostazione legacy garantisce la compatibilità con la gestione dei tipi di stringa delle versioni precedenti di Spark.	(nessuno)
      spark.sql.legacy.create EmptyCollectionUsingStringType	Speciifica se creare raccolte vuote utilizzando elementi di tipo stringa. Questa impostazione legacy mantiene la compatibilità con il comportamento di inizializzazione delle raccolte delle versioni precedenti di Spark.	(nessuno)
      spark.sql.legacy.exponent LiteralAsDecimal.enabled	Speciifica se interpretare i valori letterali esponenziali come tipi decimali. Questa impostazione precedente mantiene la compatibilità con la gestione letterale numerica delle versioni precedenti di Spark.	(nessuno)
      spark.sql.legacy.json.allow EmptyString.enabled	Speciifica se consentire stringhe vuote nell'elaborazione JSON. Questa impostazione legacy mantiene la compatibilità con il comportamento di analisi JSON delle versioni precedenti di Spark.	(nessuno)
      spark.sql.legacy.parquet.int96 RebaseModelRead	Specifica se utilizzare la modalità di rebase timestamp INT96 legacy durante la lettura dei file Parquet. Questa impostazione precedente mantiene la compatibilità con la gestione dei timestamp delle versioni precedenti di Spark.	(nessuno)
      spark.sql.legacy.time ParserPolicy	Controlla il comportamento di analisi temporale per la compatibilità con le versioni precedenti. Questa impostazione precedente determina il modo in cui i timestamp e le date vengono analizzati dalle stringhe.	(nessuno)
      spark.sql.legacy.type Coercion.datetimeToString.enabled	Speciifica se abilitare il comportamento di coercizione di tipo legacy durante la conversione dei valori datetime in stringhe. Mantiene la compatibilità con le regole di conversione datetime delle versioni precedenti di Spark.	(nessuno)
      spark.sql.max SinglePartitionBytes	Imposta la dimensione massima della partizione in byte. Il planner introduce le operazioni di shuffle per partizioni più grandi per migliorare il parallelismo.	128 m
      Spark.sql.metadataCachettl secondi	Controlla il time-to-live (TTL) per le cache dei metadati. Si applica ai metadati dei file di partizione e alle cache del catalogo delle sessioni. Richiede: Un valore positivo maggiore di zero spark.sql.CatalogImplementation impostato su hive PartitionFileCacheSize spark.sql.hive.filesource maggiore di zero spark.sql.hive.manage impostato su FilesourcePartitions true	-1000 ms
      spark.sql.optimizer.collapse ProjectAlwaysInline	Speciifica se comprimere le proiezioni adiacenti e le espressioni in linea, anche quando ciò causa la duplicazione.	false
      spark.sql.optimizer.dynamic PartitionPruning.enabled	Speciifica se generare predicati per le colonne di partizione utilizzate come chiavi di unione.	true
      spark.sql.optimizer.enable CsvExpressionOptimization	Speciifica se ottimizzare le espressioni CSV in SQL Optimizer eliminando le colonne non necessarie dalle operazioni from_csv.	true
      spark.sql.optimizer.enable JsonExpressionOptimization	Speciifica se ottimizzare le espressioni JSON in SQL Optimizer mediante: Eliminazione delle colonne non necessarie dalle operazioni from_json Semplificazione delle combinazioni from_json e to_json Ottimizzazione delle operazioni named_struct	true
      spark.sql.optimizer.ExcludedRules	Definisce le regole di ottimizzazione da disabilitare, identificate da nomi di regole separati da virgole. Alcune regole non possono essere disabilitate in quanto sono necessarie per la correttezza. L'ottimizzatore registra quali regole sono state disabilitate correttamente.	(nessuno)
      spark.sql.optimizer.runtime.bloom Filter.applicationSideScanSizeThreshold	Imposta la dimensione minima della scansione aggregata in byte richiesta per iniettare un filtro Bloom sul lato dell'applicazione.	10 GB
      spark.sql.optimizer.runtime.bloom Filter.creationSideThreshold	Definisce la soglia di dimensione massima per l'iniezione di un filtro Bloom sul lato di creazione.	10 MB
      spark.sql.optimizer.runtime.bloom Filter.enabled	Speciifica se inserire un filtro Bloom per ridurre i dati di shuffle quando un lato di uno shuffle join ha un predicato selettivo.	true
      spark.sql.optimizer.runtime.bloom Filter.expectedNumItems	Definisce il numero predefinito di elementi previsti nel filtro Bloom di runtime.	1000000
      spark.sql.optimizer.runtime.bloom Filter.maxNumBits	Imposta il numero massimo di bit consentiti nel filtro Bloom di runtime.	67108864
      spark.sql.optimizer.runtime.bloom Filter.maxNumItems	Imposta il numero massimo di elementi previsti consentiti nel filtro Bloom di runtime.	4000000
      spark.sql.optimizer.runtime.bloom Filter.numBits	Definisce il numero predefinito di bit utilizzati nel filtro Bloom di runtime.	8388608
      spark.sql.optimizer.runtime.rowlevel OperationGroupFilter.enabled	Speciifica se abilitare il filtraggio dei gruppi di runtime per le operazioni a livello di riga. Consente alle fonti di dati di: Elimina interi gruppi di dati (come file o partizioni) utilizzando i filtri delle fonti di dati Esegui query di runtime per identificare i record corrispondenti Scarta i gruppi non necessari per evitare costose riscritture Restrizioni: Non tutte le espressioni possono essere convertite in filtri di origine dati Alcune espressioni richiedono la valutazione di Spark (come le sottoquery)	true
      spark.sql.optimizer.runtime Filter.number.threshold	Imposta il numero totale di filtri di runtime iniettati (non DPP). Questo serve a evitare che gli OOM dei driver contengano troppi filtri Bloom.	10
      spark.sql.optimizer.runtime Filter.semiJoinReduction.enabled	Speciifica se inserire un semi-join per ridurre i dati shuffle quando un lato di uno shuffle join ha un predicato selettivo.	false
      Spark.sql.parquet.aggregatePushdown	Speciifica se inviare gli aggregati a Parquet per l'ottimizzazione. Supporti: MIN e MAX per i tipi booleano, intero, float e data COUNT per tutti i tipi di dati Genera un'eccezione se le statistiche non sono presenti nel piè di pagina di un file Parquet.	false
      spark.sql.parquet.columnar ReaderBatchSize	Controlla il numero di righe in ogni batch di lettori vettorializzati di Parquet. Scegliete un valore che bilanci il sovraccarico prestazionale e l'utilizzo della memoria per evitare errori di esaurimento della memoria.	4096
      spark.sql.parquet.enable VectorizedReader	Specifica se abilitare la decodifica vettoriale di Parquet.	true
      spark.sql.shuffle.partitions	Imposta il numero predefinito di partizioni per lo shuffling dei dati durante le unioni o le aggregazioni. Non può essere modificato tra il riavvio di una query di streaming strutturata dalla stessa posizione di checkpoint.	200
      spark.sql.shuffled HashJoinFactor	Definisce il fattore di moltiplicazione utilizzato per determinare l'idoneità allo shuffle hash join. Uno shuffle hash join viene selezionato quando la dimensione dei dati su lato piccolo moltiplicata per questo fattore è inferiore alla dimensione dei dati su lato grande.	3
      spark.sql.sources.parallel PartitionDiscovery.threshold	Imposta il numero massimo di percorsi per l'elenco dei file lato driver con fonti basate su file (Parquet, JSON e ORC). Se viene superato durante il rilevamento delle partizioni, i file vengono elencati utilizzando un job distribuito Spark separato.	32
      spark.sql.statistics.histogram.enabled	Speciifica se generare istogrammi di altezza equa durante il calcolo delle statistiche sulle colonne per migliorare l'accuratezza della stima. Richiede una scansione della tabella aggiuntiva oltre a quella necessaria per le statistiche di base sulle colonne.	false
      spark.dynamic Allocation.executorIdleTimeout	Imposta la durata in cui un esecutore deve rimanere inattivo prima di essere rimosso quando l'allocazione dinamica è abilitata.	anni '60
      scintilla. dinamica Allocation.schedulerBacklogTimeout	Imposta la durata per cui le attività in sospeso devono essere archiviate prima che vengano richiesti nuovi esecutori quando l'allocazione dinamica è abilitata.	1s
      spark.dynamic Allocation.sustainedSchedulerBacklogTimeout	Uguale a spark.dynamicAllocation.schedulerBacklogTimeout, ma utilizzato solo per le successive richieste dell'esecutore.	(valore di spark.dynamic) Allocation.schedulerBacklogTimeout
      spark.scheduler.min RegisteredResourcesRatio	Imposta il rapporto minimo tra risorse registrate (risorse registrate/ risorse totali previste) da attendere prima dell'inizio della pianificazione. Specificato come doppio tra 0,0 e 1,0. Indipendentemente dal fatto che sia stato raggiunto il rapporto minimo di risorse, il tempo massimo di attesa prima dell'inizio della pianificazione è controllato da spark.scheduler.max. RegisteredResourcesWaitingTime	0.8
      spark.scheduler.max RegisteredResourcesWaitingTime	Imposta il tempo massimo di attesa per la registrazione delle risorse prima dell'inizio della pianificazione.	30 secondi
      spark.sql.hive.metastore PartitionPruningFallbackOnException	Specifica se ricorrere al recupero di tutte le partizioni dal metastore di Hive ed eseguire l'eliminazione delle partizioni sul lato client Spark quando vengono rilevate dal metastore. MetaException	false

      Nome proprietà	Description	Valore predefinito
      spark.sql.auto BroadcastJoinThreshold	Imposta la dimensione massima della tabella in byte per la trasmissione ai nodi di lavoro durante i join. Imposta su -1 per disabilitare la trasmissione.	10 MB (-1 per 32 CR.4X lavoratori)
      spark.dynamic Allocation.enabled	Speciifica se utilizzare l'allocazione dinamica delle risorse, che aumenta e riduce il numero di esecutori registrati con questa applicazione in base al carico di lavoro.	true
      spark.io.compression.codec	Imposta il codec usato per comprimere dati interni come partizioni RDD, registro eventi, variabili di trasmissione e uscite casuali. Valori supportati: lz4, snappy, zstd, gzip.	snappy
      spark.sql.session.Timezone	Definisce il fuso orario della sessione per la gestione dei timestamp nelle stringhe letterali e nella conversione degli oggetti Java. Accetta: Region-based ID in area/city formato (come America/Los _Angeles) Offset di zona in HH:mm:ss formato (+/-) HH, (+/-) HH:mm o (+/-) (ad esempio -08 o + 01:00) UTC o Z come alias per + 00:00	UTC

   3. Per Conservazione dei dati in giorni, inserisci il numero di giorni in cui conservare i dati.

   4. Per il formato dei risultati, scegliete CSV o Parquet come formato di dati da utilizzare per il canale di input ML.

8. Per l'accesso al servizio, scegliete il nome del ruolo di servizio esistente che verrà utilizzato per accedere a questa tabella o scegliete Crea e utilizza un nuovo ruolo di servizio.

9. Per la crittografia, scegli il segreto Encrypt con una chiave KMS personalizzata per specificare la tua chiave KMS e le informazioni correlate. Altrimenti, Clean Rooms ML gestirà la crittografia.

10. (Facoltativo) Per Compute payer, seleziona il membro della collaborazione che paga i costi di elaborazione delle query.

    Nota

    Se nella collaborazione c'è un solo candidato pagante per il calcolo delle query, il valore predefinito è quel pagante.

11. (Facoltativo) Per Synthetic data generation payer, seleziona il membro della collaborazione che paga i costi di generazione di dati sintetici.

    Nota

    Questa opzione viene visualizzata quando il canale di input ML utilizza un modello di analisi configurato per l'output di dati sintetici. Se nella collaborazione è presente un solo pagatore candidato per la generazione di dati sintetici, il valore predefinito è quel pagatore.

12. Scegli Crea canale di input ML.

    Ci vorranno alcuni minuti per creare il canale di ingresso ML. È possibile visualizzare un elenco di canali di ingresso ML nella scheda Modelli ML.