AWS Clean Rooms unterstützt das benutzerdefinierte ML-Training anhand synthetisch generierter Trainingsdatensätze
Mit AWS Clean Rooms können Sie und Ihre Partner jetzt datenschutzoptimierte synthetische Datensätze aus Ihren kollektiven Daten generieren, um Regressions- und Klassifikationsmodelle für Machine Learning (ML) zu trainieren.
Die Generierung synthetischer Datensätze ermöglicht es Ihnen und Ihren Partnern, Trainingsdatensätze mit ähnlichen statistischen Eigenschaften wie die Originaldaten zu erhalten, ohne dass der Trainingscode Zugriff auf echte Daten hat. Diese neue Funktion anonymisiert Subjekte – beispielsweise Personen oder Organisationen, über die Daten gesammelt wurden – in den Originaldaten und mindert so das Risiko, dass ein Modell Informationen über Personen in den Trainingsdaten speichert. Dies eröffnet neue Anwendungsfälle für das Training von ML-Modellen, die zuvor aus Datenschutzgründen eingeschränkt waren, wie z. B. Kampagnenoptimierung, Betrugserkennung und medizinische Forschung. Angenommen, eine Fluggesellschaft mit einem firmeneigenen Algorithmus möchte mit einer Hotelmarke zusammenarbeiten, um bei hochwertigen Kunden gemeinsame Aktionen zu bewerben, aber keines der Unternehmen möchte sensible Verbraucherdaten weitergeben. Mithilfe von AWS Clean Rooms ML können die Unternehmen eine synthetische Version des gemeinsamen Datensatzes generieren, um das Modell zu trainieren, ohne die Rohdaten offenzulegen. Dies ermöglicht ein präziseres Targeting der Werbeaktionen und schützt gleichzeitig die Privatsphäre der Kunden.
Weitere Informationen zu den AWS-Regionen, in denen AWS Clean Rooms ML verfügbar ist, finden Sie in der Tabelle der AWS-Regionen. Weitere Informationen finden Sie unter AWS Clean Rooms ML.