Häufig gestellte Fragen zu AWS Clean Rooms

AWS Clean Rooms ML hilft Ihnen und Ihren Partnern, ML-Modelle auf Ihre kollektiven Daten anzuwenden, um prädiktive Erkenntnisse zu gewinnen, ohne vertrauliche Informationen miteinander zu teilen. Mit dieser AWS-Clean-Rooms-Funktion können Sie Ihre Partner in einen Clean Room einladen und ein von AWS verwaltetes, einsatzbereites ML-Modell anwenden, das für jede Zusammenarbeit trainiert wird, um in wenigen Schritten Lookalike-Datensätze zu generieren. So sparen Sie monatelange Entwicklungsarbeit für die Erstellung, Schulung, Optimierung und Bereitstellung Ihres eigenen Modells.

AWS Clean Rooms ML hilft Kunden bei mehreren Anwendungsfällen. Beispielsweise kann eine Fluggesellschaft Daten über ihre Kunden nutzen, mit einem Online-Buchungsservice zusammenarbeiten und potenzielle Reisende mit ähnlichen Merkmalen identifizieren, Autokreditgeber und Autoversicherer können potenzielle Autoversicherungskunden identifizieren, die Merkmale mit einer Reihe bestehender Leasingnehmer teilen, und Marken und Publisher können ähnliche Segmente kaufbereiter Kunden modellieren und hochrelevante Werbeerlebnisse liefern, ohne dass eines der Unternehmen seine zugrunde liegenden Daten mit dem anderen teilen muss. Modellierung für das Gesundheitswesen ist in einigen Monaten verfügbar.

AWS Clean Rooms ML wurde für verschiedene Datensätze entwickelt und getestet, z. B. für E-Commerce und Streaming-Video, und kann Kunden dabei helfen, die Genauigkeit der Ähnlichkeitsmodellierung im Vergleich zu repräsentativen Branchen-Baselines um bis zu 36 % zu verbessern. In realen Anwendungen wie der Neukundenakquise kann diese Verbesserung der Genauigkeit zu Einsparungen in Millionenhöhe führen.

Mit der Ähnlichkeitsmodellierung von AWS Clean Rooms ML können Sie Ihr eigenes benutzerdefiniertes Modell anhand Ihrer Daten trainieren und Ihre Partner einladen, eine kleine Auswahl ihrer Datensätze in eine Zusammenarbeit einzubringen, um einen erweiterten Satz ähnlicher Datensätze zu generieren. Ihre und die zugrunde liegenden Daten Ihres Partners bleiben dabei geschützt. AWS Clean Rooms ML nimmt eine kleine Stichprobe von Datensätzen von einer Partei und findet einen viel größeren Satz von Datensätzen oder ein ähnliches Segment aus dem Datensatz eines anderen Mitarbeiters. AWS Clean Rooms ML gibt keine Daten an eine der Parteien weiter, und Parteien können ihre Daten entfernen oder ein benutzerdefiniertes Modell löschen, wann immer sie möchten. Sie können die gewünschte Größe des resultierenden Lookalike-Segments angeben, und AWS Clean Rooms ML gleicht die eindeutigen Profile in Ihrer Stichprobenliste privat mit denen im Datensatz Ihres Partners ab und trainiert dann ein ML-Modell, das vorhersagt, wie ähnlich jedes Profil im Datensatz Ihres Mitarbeiters denen in Ihrer Stichprobe ist. AWS Clean Rooms ML gruppiert automatisch die Profile, die der Beispielliste ähneln, und gibt das resultierende Lookalike-Segment aus. Mit AWS Clean Rooms ML müssen Sie keine Daten austauschen, um ML-Modelle mit Ihren Partnern zu erstellen, zu trainieren und bereitzustellen. Mit AWS Clean Rooms ML werden Ihre Daten nur zum Trainieren Ihres Modells und nicht für das AWS-Modelltraining verwendet. Sie können intuitive Kontrollen verwenden, mit denen Sie und Ihre Partner die Prognoseergebnisse des Modells optimieren können.

Datenschutz beginnt mit der Sicherheitsgrundlage von AWS, und AWS Clean Rooms basiert auf AWS-Sicherheitsservices wie AWS Identity and Access Management (IAM), AWS Key Management Service (AWS KMS) und AWS CloudTrail. Auf diese Weise können Sie Ihre bestehende Datenschutzstrategie auf Workloads für die Datenzusammenarbeit ausweiten. Mit AWS Clean Rooms brauchen Sie keine Kopie Ihrer Daten mehr außerhalb Ihrer AWS-Umgebung zu speichern oder zu pflegen und an eine andere Partei zu senden, um Analysen für Kundenerkenntnisse, Marketingmessungen, Prognosen oder Risikobewertungen durchzuführen.

Wenn Sie eine AWS-Clean-Rooms-Kollaboration einrichten und die SQL-Analyse verwenden, können Sie für jedes Kollaborationsmitglied unterschiedliche Fähigkeiten angeben, um Ihren spezifischen Anwendungsfällen gerecht zu werden. Wenn Sie beispielsweise möchten, dass die Ausgabe der Abfrage an ein anderes Element gesendet wird, können Sie ein Mitglied als Abfrageausführer festlegen, der Abfragen schreiben kann, und ein anderes Mitglied als Empfänger der Abfrageergebnisse, der die Ergebnisse empfangen kann. Auf diese Weise kann der Ersteller der Zusammenarbeit sicherstellen, dass das Mitglied, das die Anfrage stellen kann, keinen Zugriff auf die Abfrageergebnisse hat.

AWS Clean Rooms verfügt auch über SQL-Abfragekontrollen, mit denen Sie die Art der Abfragen oder bestimmte Abfragen, die auf Ihren Datentabellen ausgeführt werden können, durch die Konfiguration von Analyseregeln einschränken können. AWS Clean Rooms unterstützt drei Arten von SQL-Analyseregeln: Aggregation, Liste und benutzerdefinierte Regeln. Mit der Aggregations-Analyseregel können Sie Ihre Tabelle so konfigurieren, dass nur Abfragen erlaubt sind, die aggregierte Statistiken erzeugen (z. B. Kampagnenmessung oder Attribution). Mit der Listen-Analyseregel können Sie Steuerelemente so konfigurieren, dass Abfragen nur die Schnittmenge Ihrer Datensätze mit der des Mitglieds analysieren können, das Abfragen durchführen kann. Mit der benutzerdefinierten Analyseregel können Sie Steuerelemente auf Abfrageebene so konfigurieren, dass bestimmte Konten oder Abfragen für Ihren Datensatz ausgeführt werden können. Wenn Sie benutzerdefinierte Analyseregeln verwenden, können Sie Differential Privacy verwenden. AWS Clean Rooms Differential Privacy hilft Ihnen, die Privatsphäre Ihrer Benutzer mit mathematisch gestützten und intuitiven Steuerelementen mit wenigen Schritten zu schützen. Da es sich um eine vollständig verwaltete Funktion von AWS Clean Rooms handelt, ist keine vorherige Erfahrung im Bereich Datenschutz erforderlich, um die erneute Identifizierung Ihrer Benutzer zu verhindern. Eine weitere Kontrolle sind Aggregationsschwellenwerte, die verhindern, dass Abfragen auf kleine, potenziell wiederidentifizierbare Gruppen zugreifen.

Mit AWS Clean Rooms ML werden Ihre Daten nur zum Trainieren Ihres Modells und nicht für das AWS-Modelltraining verwendet. AWS Clean Rooms ML verwendet keine Schulungs- oder Lookalike-Segmentdaten eines Unternehmens mit einem anderen, und Sie können Ihre Modell- und Trainingsdaten jederzeit löschen.

Nein. Datensätze werden in den AWS-Konten der Mitarbeiter gespeichert. AWS Clean Rooms liest vorübergehend Daten aus Konten von Mitarbeitern, um Abfragen auszuführen, ML-Modelle zu trainieren oder Startsegmente zu erweitern. Die Ergebnisse einer Analyse werden an den S3-Standort gesendet, der für die Analyse vorgesehen ist.

Von AWS Clean Rooms ML generierte Modelle werden vom Service gespeichert, können mit einem vom Kunden verwalteten AWS-KMS-Schlüssel verschlüsselt werden und können vom Kunden jederzeit gelöscht werden.

Mit den Verschlüsselungs- und Analyseregeln von AWS Clean Rooms können Sie die Art der Informationen, die Sie freigeben möchten, genau steuern. Als Datenmitarbeiter sind Sie dafür verantwortlich, das Risiko jeder Zusammenarbeit zu bewerten, einschließlich des Risikos einer erneuten Identifizierung, und Ihre eigenen zusätzlichen Sorgfaltspflichten durchzuführen, um die Einhaltung aller Datenschutzgesetze sicherzustellen. Wenn es sich bei den von Ihnen weitergegebenen Daten um sensible oder gesetzlich geregelte Daten handelt, empfehlen wir Ihnen, geeignete rechtliche Vereinbarungen und Prüfmechanismen anzuwenden, um die Risiken für den Datenschutz weiter zu verringern.

Ja. Die AWS-Servicebedingungen verbieten bestimmte Anwendungsfälle für die Zusammenarbeit in AWS Clean Rooms.

Ja. Das HIPAA-Compliance-Programm von AWS umfasst AWS Clean Rooms als HIPAA-fähigen Service. Wenn Sie ein Business Associate Addendum (BAA) mit AWS abgeschlossen haben, können Sie jetzt AWS Clean Rooms verwenden, um HIPAA-konforme Kollaborationen zu erstellen. Wenn Sie keine BAA oder weitere Fragen zur Verwendung von AWS für Ihre HIPAA-konformen Anwendungen haben, setzen Sie sich mit uns in Verbindung. Weitere Informationen finden Sie unter AWS-HIPAA-Konformität und AWS für das Gesundheitswesen und die Biowissenschaften.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

In den SQL-Analyseregeln konfigurieren Sie Kontrollen auf Spaltenebene, mit denen Sie festlegen können, wie die einzelnen Spalten in Abfragen verwendet werden können. Sie können zum Beispiel festlegen, welche Spalten zur Berechnung von Aggregatstatistiken (z. B. SUM(Preis)) verwendet werden können und welche Spalten zur Verknüpfung Ihrer Tabelle mit anderen Teilnehmern des Zusammenarbeitsbereichs verwendet werden können. In der Aggregationsanalyseregel können Sie auch einen Mindestaggregationsschwellenwert festlegen, den jede Ausgabezeile erfüllen muss. Zeilen, die den Mindestschwellenwert nicht erfüllen, werden von AWS Clean Rooms automatisch herausgefiltert.

Ja. Sie können AWS Clean Rooms so konfigurieren, dass Abfrageprotokolle in Amazon CloudWatch Logs veröffentlicht werden. Mit der benutzerdefinierten Analyseregel können Sie auch Abfragen (in Analysevorlagen gespeichert) überprüfen, bevor sie in der Kollaboration ausgeführt werden. 

Differentieller Datenschutz ist ein mathematisch erprobtes Framework zur Unterstützung des Datenschutzes. Der Hauptvorteil von differentiellem Datenschutz besteht darin, Daten auf individueller Ebene zu schützen, indem ein kontrolliertes Maß an Zufälligkeit – Rauschen – hinzugefügt wird, um die Anwesenheit oder Abwesenheit einer einzelnen Person in einem Datensatz, der analysiert wird, zu verschleiern.

AWS Clean Rooms Differential Privacy hilft Ihnen, die Privatsphäre Ihrer Benutzer mit mathematisch gestützten und intuitiven Steuerelementen mit wenigen Schritten zu schützen. Da es sich um eine vollständig verwaltete Funktion von AWS Clean Rooms handelt, ist keine vorherige Erfahrung im Bereich Datenschutz erforderlich, um die erneute Identifizierung Ihrer Benutzer zu verhindern. AWS Clean Rooms Differential Privacy verschleiert den Beitrag der Daten einzelner Personen zur Generierung aggregierter Erkenntnisse über Kollaborationen, sodass Sie eine Vielzahl von SQL-Abfragen ausführen können, um Erkenntnisse über Werbekampagnen, Investitionsentscheidungen, klinische Forschung und mehr zu erhalten.

Sie können mit der Nutzung von AWS Clean Rooms Differential Privacy in nur wenigen Schritten beginnen, nachdem Sie als Mitglied, das Daten beisteuern kann, eine Zusammenarbeit mit AWS Clean Rooms gestartet oder dieser beigetreten sind. Nachdem Sie eine konfigurierte Tabelle erstellt haben, die ein Verweis auf Ihre Tabelle im AWS-Glue-Datenkatalog ist, aktivieren Sie einfach den differenziellen Datenschutz, während Sie der konfigurierten Tabelle eine benutzerdefinierte Analyseregel hinzufügen. Als Nächstes verknüpfen Sie die konfigurierte Tabelle mit Ihrer AWS-Clean-Rooms-Kollaboration und konfigurieren eine unterschiedliche Datenschutzrichtlinie in der Zusammenarbeit, um Ihre Tabelle für Abfragen verfügbar zu machen. Sie können eine Standardrichtlinie verwenden, um das Setup schnell abzuschließen, oder sie an Ihre spezifischen Anforderungen anpassen.

Sobald AWS Clean Rooms Differential Privacy eingerichtet ist, kann Ihr Kooperationspartner damit beginnen, Abfragen auf Ihrem Tisch auszuführen – ohne dass er Fachwissen über unterschiedliche Datenschutzkonzepte oder zusätzliche Einstellungen von seinen Partnern benötigt. Mit AWS Clean Rooms Differential Privacy können Abfragerunner benutzerdefinierte und flexible Analysen durchführen, einschließlich komplexer Abfragemuster mit Common Table Expressions (CTEs) und häufig verwendeten Aggregatfunktionen wie ANZAHL und SUMME.

Das kryptografische Computing ist eine Methode zum Schutz und zur Verschlüsselung vertraulicher Daten, während sie verwendet werden. Daten können im Ruhezustand verschlüsselt werden, wenn sie gespeichert werden,, wenn sie übertragen werden und wenn sie in Gebrauch sind. Verschlüsselung bedeutet die Umwandlung von Klartextdaten in verschlüsselte Daten, die ohne einen bestimmten „Schlüssel“ nicht entschlüsselt werden können. Die Überkreuzung privater Datensätze (Private Set Intersection, PSI) ist eine Art der Verarbeitung kryptografischer Daten, die es zwei oder mehr Parteien, die über Datensätze verfügen, ermöglicht, verschlüsselte Versionen zu vergleichen, um Berechnungen durchzuführen. Die Verschlüsselung erfolgt On-Premises mit dem geheimen Schlüssel des gemeinsamen Teilnehmers.

AWS Clean Rooms umfasst C3R, das die Möglichkeit bietet, Daten mit einem clientseitigen Verschlüsselungstool – einem SDK oder einer Befehlszeilenschnittstelle (CLI) – vorzuverschlüsseln, das/die einen gemeinsamen geheimen Schlüssel mit anderen Teilnehmern eines AWS-Clean-Rooms-Zusammenarbeitsbereichs verwendet. Dadurch werden die Daten bei der Ausführung von Abfragen verschlüsselt.