![\"data](\"https:\/\/blog.besharp.it\/wp-content\/uploads\/2020\/11\/unnamed-87-1024x205.png\")
<\/figure><\/div>\n\n\n\nQuindi, in generale, i passaggi di una tipica pipeline di analisi dei dati possono essere riassunti come segue:<\/p>\n\n\n\n
- Un’infrastruttura appropriata raccoglie (ingestion) i dati dal campo.<\/li>
- I dati vengono archiviati utilizzando un servizio di archiviazione appropriato, ottimizzando il pattern di accesso ai dati.<\/li>
- I dati vengono quindi elaborati leggendo l’input dal servizio di archiviazione, eseguendo le operazioni richieste e quindi archiviando i dati elaborati in un’altra posizione. <\/li>
- Alla fine, le informazioni elaborate possono essere visualizzate utilizzando uno strumento di business intelligence (BI) per ottenere il valore per gli utenti finali e il business.<\/li><\/ol>\n\n\n\n
Nei capitoli seguenti, discuteremo ciascuno dei passaggi, con un focus sui servizi AWS che puoi sfruttare per implementare senza problemi i passaggi della pipeline.<\/p>\n\n\n\n
Collection<\/h2>\n\n\n\n
Per progettare la corretta infrastruttura di ingestion, \u00e8 necessario pensare alle caratteristiche dei dati e considerare le aspettative relative alla latenza, al costo e alla durevolezza dei dati.<\/p>\n\n\n\n
Il primo aspetto da considerare \u00e8 la frequenza di input, che \u00e8 la misura della rapidit\u00e0 con cui i dati verranno inviati al sistema di raccolta. Ci si pu\u00f2 riferire a questo KPI anche con il nome informale di \u201ctemperatura\u201d (Hot, Warm, Cold) dei dati. La frequenza dei dati di input determina il tipo di infrastruttura da progettare. I dati transazionali (SQL) vengono meglio acquisiti utilizzando strumenti come AWS Database Migration Service<\/strong>, mentre i flussi di dati in tempo reale e near real-time sono il caso d’uso perfetto per Amazon Kinesis Data Streams<\/strong> e Kinesis Firehose<\/strong>.<\/p>\n\n\n\n
Amazon Kinesis Data Streams<\/strong> \u00e8 un modo affidabile, duraturo ed economico per raccogliere grandi quantit\u00e0 di dati dal campo e da applicazioni mobili o web. Uno dei molti vantaggi di Kinesis Data Streams \u00e8 che \u00e8 possibile estenderne le funzionalit\u00e0 con software personalizzato per soddisfare esattamente le esigenze di business. Pu\u00f2 archiviare i dati raccolti per un massimo di 7 giorni e supporta molteplici applicazioni per lo stesso stream. Il software personalizzato pu\u00f2 essere sviluppato sfruttando le funzioni Lambda<\/strong>.<\/p>\n\n\n\n
Amazon Kinesis Data Firehose<\/strong> gestisce completamente molti dei processi manuali richiesti da Kinesis Data Streams e include anche opzioni di configurazione senza codice per fornire automaticamente i dati ad altri servizi AWS. Semplifica il raggruppamento dei dati in batch e la creazione di aggregazioni. I flussi di Kinesis Data Firehose possono essere configurati per inviare i dati aggregati verso Kinesis Data Streams<\/strong>, Amazon Amazon S3<\/strong>, Amazon Redshift <\/strong>e Amazon ElasticSearch<\/strong>.<\/p>\n\n\n\n
I dati freddi generati da applicazioni, ovvero che possono essere elaborate periodicamente in batch, possono essere raccolti in modo efficiente utilizzando Amazon EMR<\/strong> o AWS Glue<\/strong>.<\/p>\n\n\n\n
Un’altra caratteristica fondamentale da tenere in considerazione \u00e8 il volume di dati. La quantit\u00e0 di dati da trasferire \u00e8 un buon indicatore dei servizi che possono essere utilizzati. Alcuni servizi, come Kinesis<\/strong>, SQS <\/strong>e molti altri, hanno limiti sulle dimensioni dei record o elementi in ingresso. Pertanto, conoscere la “dimensione del blocco” dei dati di input \u00e8 essenziale per progettare correttamente l’infrastruttura di importazione.<\/p>\n\n\n\n
Altri servizi AWS hanno limiti sulla dimensione totale dei dati memorizzabili. Inoltre, durante la fase di progettazione \u00e8 necessario tenere conto del throughput complessivo dell’importazione dimensionare correttamente la capacit\u00e0 di computing e lo stack di networking.<\/p>\n\n\n\n
Storage \/ Data Lake<\/h2>\n\n\n\n
In questo step \u00e8 necessario scegliere tra data warehouse o data lake. <\/p>\n\n\n\n
Un data warehouse \u00e8 un database ottimizzato per analizzare grandi quantit\u00e0 di dati relazionali provenienti da sistemi transazionali e applicazioni aziendali. La struttura e lo schema dei dati vengono definiti in anticipo ed \u00e8 possibile ottimizzarli per query SQL veloci, in cui i risultati vengono generalmente utilizzati per l’analisi e il reporting operativo. I dati vengono puliti, arricchiti e trasformati in modo che possano fungere da repository centrale.<\/p>\n\n\n\n
La scelta standard per creare un data warehouse su AWS \u00e8 Amazon Redshift<\/strong>.<\/p>\n\n\n\n
Con Redshift, \u00e8 possibile eseguire query su petabyte di dati strutturati e semi strutturati utilizzando SQL standard. Redshift consente di salvare facilmente i risultati delle tue query su Amazon S3 utilizzando formati aperti come Apache Parquet per analizzarli ulteriormente da altri servizi di analisi come Amazon EMR<\/strong>, Amazon Athena<\/strong>e Amazon SageMaker<\/strong>.<\/p>\n\n\n\n
Un data lake \u00e8 un repository centralizzato in cui \u00e8 possibile archiviare tutti i dati strutturati e non strutturati, indipendentemente dalla fonte o dal formato. Pu\u00f2 memorizzare sia dati relazionali provenienti da applicazioni aziendali, sia dati non relazionali. La struttura dei dati (o schema) non \u00e8 definita al momento dell\u2019acquisizione. Ci\u00f2 significa che \u00e8 possibile memorizzare i dati senza sapere conoscerne la forma n\u00e8 gli scopi per cui saranno impiegati. \u00c8 inoltre possibile interrogare i data lake mediante svariati tipi di analisi sui dati, come query SQL, ricerca full-text, analisi in tempo reale e apprendimento automatico.<\/p>\n\n\n\n
Per creare un data lake su AWS la scelta sconatata \u00e8 Amazon S3.<\/strong><\/p>\n\n\n\n
Amazon Simple Storage Service (Amazon S3) \u00e8 un servizio di storage ad oggetti che offre alta scalabilit\u00e0, alta disponibilit\u00e0 dei dati, sicurezza e prestazioni. Pu\u00f2 essere utilizzato con Amazon Athena e si integra anche con la maggior parte dei servizi utilizzati per creare pipeline di analisi dei dati.<\/p>\n\n\n\n
Amazon Athena \u00e8 un servizio di query interattivo che semplifica l’analisi dei dati in Amazon S3 utilizzando SQL standard. Athena \u00e8 serverless, quindi non c’\u00e8 infrastruttura da gestire e paghi solo per le query che esegui. La maggior parte dei risultati viene restituita in pochi secondi. Non sono necessari lavori ETL complessi per preparare i dati per l’analisi. Ci\u00f2 consente a chiunque abbia competenze SQL di analizzare rapidamente set di dati su larga scala.<\/p>\n\n\n\n
Athena \u00e8 integrato immediatamente con AWS Glue Data Catalog, consentendo di creare un repository di metadati unificato su vari servizi, eseguire la scansione delle origini dati per scoprire schemi e popolare il tuo catalogo con definizioni di partizioni e tabelle nuove e modificate e mantenerlo controllo delle versioni dello schema.<\/p>\n\n\n\n
Processing<\/h2>\n\n\n\n
I dati grezzi sono raramente utili nell’analisi finale. \u00c8 fondamentale preparare con cura i dati per aiutare gli analisti a trovare le informazioni di cui hanno bisogno. Il processo viene comunemente chiamato data wrangling. La preparazione dei dati permette l’aggiunta di campi calcolati, l’applicazione di filtri e la modifica dei nomi dei campi o dei tipi di dati. <\/p>\n\n\n\n
La preparazione dei dati \u00e8 un processo critico ed impegnativo. Per preparare i dati per l’analisi vanno prima estratti da varie fonti, quindi vanno ripuliti, trasformati nel formato richiesto e caricati in database, data warehouse o data lake per le analisi successive.<\/p>\n\n\n\n
In AWS \u00e8 possibile eseguire queste attivit\u00e0 utilizzando i seguenti servizi: Amazon Kinesis Data Analytics,<\/strong> Pre-elaborazione di Amazon Sagemaker<\/strong>, Amazon EMR <\/strong>e AWS Glue<\/strong>.<\/p>\n\n\n\n
Se si desidera analizzare i dati in streaming, sia in tempo reale che in near real-time, \u00e8 possibile sfruttare direttamente Kinesis. Amazon Kinesis Data Analytics<\/strong>, \u00e8 un ottimo strumento per realizzare trasformazioni i di base sui dati in streaming utilizzando i comandi SQL.<\/p>\n\n\n\n
Amazon Sagemaker Preprocessing <\/strong>consente di avviare facilmente istanze EC2 su richiesta per eseguire processi di trasformazione predefiniti. \u00c8 spesso utile per eseguire semplici operazioni di pulizia e pre-elaborazione su piccole quantit\u00e0 di dati per i quali Glue o EMR sarebbero overkilling.<\/p>\n\n\n\n
Amazon EMR<\/strong> \u00e8 la piattaforma AWS per i big data e per l’elaborazione di grandi quantit\u00e0 di dati utilizzando strumenti open source come Apache Spark, Apache Hive, Apache HBase, Apache Flink, Apache Hudi e Presto.<\/p>\n\n\n\n
AWS Glue<\/strong> \u00e8 un servizio di preparazione dei dati basato su Spark senza server che semplifica l’estrazione, la trasformazione e il caricamento (ETL<\/strong>) di enormi set di dati sfruttando job PySpark.<\/p>\n\n\n\n
I data scientist possono anche utilizzare AWS Glue DataBrew<\/strong> per ripulire visivamente e normalizzare i dati senza scrivere codice. Inoltre, AWS Glue Studio pu\u00f2 essere utilizzato anche per creare processi di trasformazione dei dati pi\u00f9 articolati per Glue utilizzando una GUI user flriendly.<\/p>\n\n\n\n
Analysis and Visualization<\/h2>\n\n\n\n
In questa fase del processo di analisi dei dati, i dati sono solitamente gi\u00e0 puliti e aggregati in informazioni utili ai fini dell’analisi.<\/p>\n\n\n\n
Una volta che tutte le informazioni richieste sono pronte \u00e8 il momento di visualizzarle e analizzarle per ottenere le informazioni necessarie. <\/p>\n\n\n\n
Per visualizzare i dati elaborati e il risultato dell’analisi puoi sfruttare Amazon Quicksight. Amazon QuickSight <\/strong>\u00e8 un servizio di business intelligence veloce e basato su cloud che semplifica la distribuzione di informazioni dettagliate a tutti nella tua organizzazione. Essendo un servizio completamente gestito, QuickSight consente di creare e pubblicare facilmente dashboard interattivi a cui \u00e8 possibile accedere da qualsiasi dispositivo e incorporati nelle applicazioni, nei portali e nei siti Web.<\/p>\n\n\n\n
La visualizzazione dei dati pu\u00f2 essere integrata con i risultati dell’apprendimento automatico al fine di fornire: analisi dei dati descrittiva, diagnostica, predittiva, prescrittiva e cognitiva.<\/p>\n\n\n\n
L’analisi descrittiva risponde alla domanda: cosa \u00e8 successo?<\/strong> Si concentra sul senno di poi ed \u00e8 spesso chiamato data mining. <\/p>\n\n\n\n
L’analisi diagnostica risponde alla domanda: perch\u00e9 \u00e8 successo?<\/strong> Si concentra sul senno di poi e sull’intuizione. Questa forma di analisi viene utilizzata per confrontare i dati storici con altri dati provenienti da fonti diverse. Utilizzando questo metodo \u00e8 possibile trovare dipendenze e schemi che possono portare alle risposte. <\/p>\n\n\n\n
L’analisi predittiva risponde alla domanda: cosa succeder\u00e0?<\/strong> Si concentra su intuizione e lungimiranza. Questa forma di analisi utilizza i risultati dell’analisi descrittiva e diagnostica per prevedere eventi e tendenze futuri. L’accuratezza di questo metodo dipende fortemente dalla qualit\u00e0 dei dati e dalla stabilit\u00e0 della situazione prevista.
L’analisi prescrittiva risponde alla domanda: cosa devo fare?<\/strong> Si concentra sulla previsione. Questa forma di analisi viene utilizzata per prescrivere le azioni da intraprendere sulla base dei dati forniti. Questo tipo di analisi richiede input da tutte le altre forme di analisi, combinate con regole e ottimizzazione basata su vincoli, per fare previsioni pertinenti. Il pi\u00f9 grande vantaggio di questo modulo \u00e8 che pu\u00f2 essere automatizzato. L’apprendimento automatico lo rende possibile. <\/p>\n\n\n\nL’intelligenza cognitiva e artificiale risponde alla domanda: quali sono le azioni consigliate?<\/strong> Si concentra sulla previsione e sull’input di ipotesi. Questa forma di analisi cerca di imitare ci\u00f2 che fa il cervello umano nella risoluzione dei problemi. I sistemi analitici cognitivi generano ipotesi da dati, connessioni e vincoli esistenti. Le risposte vengono fornite sotto forma di raccomandazioni e una classifica di fiducia. <\/p>\n\n\n\n
Questa era la nostra rapida introduzione all’analisi dei dati su AWS. Quali progetti vorreste realizzare o avete realizzato? <\/p>\n\n\n\n
Continuate a seguire #Proud2beCloud<\/strong> e rimanete sintonizzati per altri articoli su questo tema!<\/p>\n","protected":false},"excerpt":{"rendered":"
Con la societ\u00e0 che evolve in una comunit\u00e0 completamente connessa digitalmente, la quantit\u00e0 di dati generati e raccolti sta crescendo […]<\/p>\n","protected":false},"author":8,"featured_media":1949,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[474],"tags":[],"yoast_head":"\n
Data Analytics su AWS: la nostra guida introduttiva - Proud2beCloud Blog<\/title>\n<meta name=\"description\" content=\"Data Analytics su AWS: tutto ci\u00f2 che devi sapere per cominciare.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/blog.besharp.it\/it\/data-analytics-su-aws-la-nostra-guida-introduttiva\/\" \/>\n<meta property=\"og:locale\" content=\"it_IT\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Data Analytics su AWS: la nostra guida introduttiva\" \/>\n<meta property=\"og:description\" content=\"Data Analytics su AWS: tutto ci\u00f2 che devi sapere per cominciare.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/blog.besharp.it\/it\/data-analytics-su-aws-la-nostra-guida-introduttiva\/\" \/>\n<meta property=\"og:site_name\" content=\"Proud2beCloud Blog\" \/>\n<meta property=\"article:published_time\" content=\"2020-11-13T09:57:19+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2021-03-17T14:29:16+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/blog.besharp.it\/wp-content\/uploads\/2020\/11\/facebook-link-image.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1200\" \/>\n\t<meta property=\"og:image:height\" content=\"628\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Alessio Gandini\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:title\" content=\"Data Analytics su AWS: la nostra guida introduttiva\" \/>\n<meta name=\"twitter:description\" content=\"Data Analytics su AWS: tutto ci\u00f2 che devi sapere per cominciare.\" \/>\n<meta name=\"twitter:image\" content=\"https:\/\/blog.besharp.it\/wp-content\/uploads\/2020\/11\/twitter-shared-link.png\" \/>\n<meta name=\"twitter:label1\" content=\"Scritto da\" \/>\n\t<meta name=\"twitter:data1\" content=\"Alessio Gandini\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tempo di lettura stimato\" \/>\n\t<meta name=\"twitter:data2\" content=\"9 minuti\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/blog.besharp.it\/it\/data-analytics-su-aws-la-nostra-guida-introduttiva\/\",\"url\":\"https:\/\/blog.besharp.it\/it\/data-analytics-su-aws-la-nostra-guida-introduttiva\/\",\"name\":\"Data Analytics su AWS: la nostra guida introduttiva - Proud2beCloud Blog\",\"isPartOf\":{\"@id\":\"https:\/\/blog.besharp.it\/it\/#website\"},\"datePublished\":\"2020-11-13T09:57:19+00:00\",\"dateModified\":\"2021-03-17T14:29:16+00:00\",\"author\":{\"@id\":\"https:\/\/blog.besharp.it\/it\/#\/schema\/person\/e7262d28e51528c2e420327f9b18cd43\"},\"description\":\"Data Analytics su AWS: tutto ci\u00f2 che devi sapere per cominciare.\",\"breadcrumb\":{\"@id\":\"https:\/\/blog.besharp.it\/it\/data-analytics-su-aws-la-nostra-guida-introduttiva\/#breadcrumb\"},\"inLanguage\":\"it-IT\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/blog.besharp.it\/it\/data-analytics-su-aws-la-nostra-guida-introduttiva\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/blog.besharp.it\/it\/data-analytics-su-aws-la-nostra-guida-introduttiva\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/blog.besharp.it\/it\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Data Analytics su AWS: la nostra guida introduttiva\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/blog.besharp.it\/it\/#website\",\"url\":\"https:\/\/blog.besharp.it\/it\/\",\"name\":\"Proud2beCloud Blog\",\"description\":\"il blog di beSharp\",\"alternateName\":\"Proud2beCloud Blog\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/blog.besharp.it\/it\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"it-IT\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/blog.besharp.it\/it\/#\/schema\/person\/e7262d28e51528c2e420327f9b18cd43\",\"name\":\"Alessio Gandini\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"it-IT\",\"@id\":\"https:\/\/blog.besharp.it\/it\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/eeb98518768d999bff24f8358b464fe2?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/eeb98518768d999bff24f8358b464fe2?s=96&d=mm&r=g\",\"caption\":\"Alessio Gandini\"},\"description\":\"Cloud-native Development Line Manager @ beSharp, DevOps Engineer e AWS expert. Computer geek da quando avevo 6 anni, appassionato di informatica ed elettronica a tutto tondo. Ultimamente sto esplorando l'esperienza utente vocale e il mondo dell'IoT. Appassionato di cinema e grande consumatore di serie TV, videogiocatore della domenica.\",\"url\":\"https:\/\/blog.besharp.it\/it\/author\/alessio-gandini\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Data Analytics su AWS: la nostra guida introduttiva - Proud2beCloud Blog","description":"Data Analytics su AWS: tutto ci\u00f2 che devi sapere per cominciare.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/blog.besharp.it\/it\/data-analytics-su-aws-la-nostra-guida-introduttiva\/","og_locale":"it_IT","og_type":"article","og_title":"Data Analytics su AWS: la nostra guida introduttiva","og_description":"Data Analytics su AWS: tutto ci\u00f2 che devi sapere per cominciare.","og_url":"https:\/\/blog.besharp.it\/it\/data-analytics-su-aws-la-nostra-guida-introduttiva\/","og_site_name":"Proud2beCloud Blog","article_published_time":"2020-11-13T09:57:19+00:00","article_modified_time":"2021-03-17T14:29:16+00:00","og_image":[{"width":1200,"height":628,"url":"https:\/\/blog.besharp.it\/wp-content\/uploads\/2020\/11\/facebook-link-image.png","type":"image\/png"}],"author":"Alessio Gandini","twitter_card":"summary_large_image","twitter_title":"Data Analytics su AWS: la nostra guida introduttiva","twitter_description":"Data Analytics su AWS: tutto ci\u00f2 che devi sapere per cominciare.","twitter_image":"https:\/\/blog.besharp.it\/wp-content\/uploads\/2020\/11\/twitter-shared-link.png","twitter_misc":{"Scritto da":"Alessio Gandini","Tempo di lettura stimato":"9 minuti"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/blog.besharp.it\/it\/data-analytics-su-aws-la-nostra-guida-introduttiva\/","url":"https:\/\/blog.besharp.it\/it\/data-analytics-su-aws-la-nostra-guida-introduttiva\/","name":"Data Analytics su AWS: la nostra guida introduttiva - Proud2beCloud Blog","isPartOf":{"@id":"https:\/\/blog.besharp.it\/it\/#website"},"datePublished":"2020-11-13T09:57:19+00:00","dateModified":"2021-03-17T14:29:16+00:00","author":{"@id":"https:\/\/blog.besharp.it\/it\/#\/schema\/person\/e7262d28e51528c2e420327f9b18cd43"},"description":"Data Analytics su AWS: tutto ci\u00f2 che devi sapere per cominciare.","breadcrumb":{"@id":"https:\/\/blog.besharp.it\/it\/data-analytics-su-aws-la-nostra-guida-introduttiva\/#breadcrumb"},"inLanguage":"it-IT","potentialAction":[{"@type":"ReadAction","target":["https:\/\/blog.besharp.it\/it\/data-analytics-su-aws-la-nostra-guida-introduttiva\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/blog.besharp.it\/it\/data-analytics-su-aws-la-nostra-guida-introduttiva\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/blog.besharp.it\/it\/"},{"@type":"ListItem","position":2,"name":"Data Analytics su AWS: la nostra guida introduttiva"}]},{"@type":"WebSite","@id":"https:\/\/blog.besharp.it\/it\/#website","url":"https:\/\/blog.besharp.it\/it\/","name":"Proud2beCloud Blog","description":"il blog di beSharp","alternateName":"Proud2beCloud Blog","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/blog.besharp.it\/it\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"it-IT"},{"@type":"Person","@id":"https:\/\/blog.besharp.it\/it\/#\/schema\/person\/e7262d28e51528c2e420327f9b18cd43","name":"Alessio Gandini","image":{"@type":"ImageObject","inLanguage":"it-IT","@id":"https:\/\/blog.besharp.it\/it\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/eeb98518768d999bff24f8358b464fe2?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/eeb98518768d999bff24f8358b464fe2?s=96&d=mm&r=g","caption":"Alessio Gandini"},"description":"Cloud-native Development Line Manager @ beSharp, DevOps Engineer e AWS expert. Computer geek da quando avevo 6 anni, appassionato di informatica ed elettronica a tutto tondo. Ultimamente sto esplorando l'esperienza utente vocale e il mondo dell'IoT. Appassionato di cinema e grande consumatore di serie TV, videogiocatore della domenica.","url":"https:\/\/blog.besharp.it\/it\/author\/alessio-gandini\/"}]}},"_links":{"self":[{"href":"https:\/\/blog.besharp.it\/it\/wp-json\/wp\/v2\/posts\/1946"}],"collection":[{"href":"https:\/\/blog.besharp.it\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.besharp.it\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.besharp.it\/it\/wp-json\/wp\/v2\/users\/8"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.besharp.it\/it\/wp-json\/wp\/v2\/comments?post=1946"}],"version-history":[{"count":0,"href":"https:\/\/blog.besharp.it\/it\/wp-json\/wp\/v2\/posts\/1946\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog.besharp.it\/it\/wp-json\/wp\/v2\/media\/1949"}],"wp:attachment":[{"href":"https:\/\/blog.besharp.it\/it\/wp-json\/wp\/v2\/media?parent=1946"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.besharp.it\/it\/wp-json\/wp\/v2\/categories?post=1946"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.besharp.it\/it\/wp-json\/wp\/v2\/tags?post=1946"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}