Saltar al contenido principal

AWS Clean Rooms

¿Por qué usar AWS Clean Rooms?

AWS Clean Rooms le facilita a usted y a sus socios el análisis y la colaboración en conjuntos de datos colectivos para obtener información sin revelar los datos subyacentes a los demás. Puede utilizar AWS Clean Rooms para crear sus propias salas limpias en cuestión de minutos y comenzar a analizar sus conjuntos de datos colectivos en tan solo unos pasos. Con AWS Clean Rooms, puede invitar a cualquier cliente de AWS con el que desee colaborar, seleccionar conjuntos de datos, emparejar los registros relacionados y configurar restricciones para los participantes.

Cree su propia sala limpia, agregue participantes y comience a colaborar con pocos pasos

AWS Clean Rooms lo ayuda a implementar de forma más rápida y sencilla sus propias salas limpias sin tener que crear, administrar y mantener sus propias soluciones. Las empresas también pueden utilizar las API para integrar la funcionalidad de AWS Clean Rooms en sus flujos de trabajo.
A businesswoman wearing glasses and earbuds is smiling while working on a computer in a modern office setting with natural light.

Colabore con cualquier empresa sin compartir ni revelar datos subyacentes

AWS Clean Rooms permite generar información de forma rápida y sencilla a partir de datos de varias partes sin tener que mover o compartir sus datos sin procesar. Los clientes pueden autorizar directamente sus datos en AWS y empezar a colaborar con los conjuntos de datos de sus socios almacenados en Snowflake y AWS sin necesidad de extraer, transformar ni cargar ( integración sin ETL).
A close-up image of multiple hands coming together in a fist bump, symbolizing teamwork, collaboration, and unity during a creative agency business meeting.

Proteja los datos subyacentes con un amplio conjunto de controles que mejoran la privacidad de las salas limpias

AWS Clean Rooms respalda políticas estrictas de manejo de datos a través de un amplio conjunto de capacidades que mejoran la privacidad, incluidas reglas de análisis detalladas, AWS Clean Rooms Differential Privacy y la computación criptográfica. Además, puede utilizar los registros de análisis para comprender y auditar cómo se usan los datos.
Close-up of hands typing on a laptop keyboard with digital graphics overlay showing a login screen and a security shield icon, representing secure user authentication and data protection.

Vincule y compare los registros de los clientes, utilice herramientas de análisis flexibles y entrene e implemente modelos de ML con sus socios

Con AWS Clean Rooms, puede comparar y vincular los registros de clientes de cualquier aplicación, canal o almacén de datos. Puede usar PySpark o SQL o implementar su propio modelo de ML para obtener información con sus socios sin tener que compartir su modelo personalizado o sus datos sin procesar con ellos.
Missing alt text value

Temas de la página

Temas de la página

Múltiples partes

Abrir todo

Con AWS Clean Rooms, puede analizar datos con varias partes en una única colaboración. Cada miembro de la colaboración guarda los datos en su propia cuenta. Puede generar información de forma segura a partir de sus datos colectivos y los de sus socios sin tener que escribir un código. Puede crear una sala limpia, invitar a las empresas con las que desee colaborar y seleccionar qué participantes pueden ejecutar análisis de SQL o generar información predictiva con AWS Clean Rooms ML dentro de la colaboración.

Colabore en sus datos dondequiera que estén

Abrir todo

Con AWS Clean Rooms, puede colaborar fácilmente en datos de varias partes sin tener que mover o compartir sus datos sin procesar. Puede autorizar sus datos directamente en AWS y empezar a colaborar con los conjuntos de datos de sus socios almacenados en Snowflake y AWS sin necesidad de extraer, transformar ni cargar (integración sin ETL). Cuando empareja registros, ejecuta consultas, entrena un modelo de ML o genera información predictiva, AWS Clean Rooms lee los datos desde donde se encuentran. Con AWS Entity Resolution en AWS Clean Rooms, los datos subyacentes que se utilizan para configurar un conjunto de datos que asignan los identificadores de varios colaboradores nunca se comparten ni se revelan entre los colaboradores. Cuando usa el análisis de consultas de SQL, puede especificar reglas y restricciones de consultas de SQL permitidas en sus datos, que se aplican automáticamente para proteger los datos subyacentes de cada participante. Por ejemplo, puede configurar restricciones de salida, como umbrales mínimos de agregación. Cuando utiliza AWS Clean Rooms ML, los datos subyacentes que se utilizan para entrenar un modelo o generar un segmento similar nunca se comparten ni revelan entre los colaboradores, ni AWS los utiliza para entrenar modelos.

Acceso completo mediante programación

Abrir todo

Además de la Consola de administración de AWS, se puede utilizar una API para acceder a toda la funcionalidad de AWS Clean Rooms. Podrá utilizar los SDK o Interfaz de la línea de comandos (CLI) de AWS para automatizar las operaciones de AWS Clean Rooms, integrar la funcionalidad de Clean Rooms en los flujos de trabajo y productos existentes o crear una versión propia de la oferta de salas limpias al servicio de sus clientes.

Funciones configurables

Abrir todo

Al configurar una colaboración de AWS Clean Rooms, puede especificar diferentes capacidades para cada miembro de la colaboración a fin de adaptarlas a sus casos de uso de consultas de SQL específicos. Por ejemplo, si desea que el resultado de la consulta vaya a un miembro diferente, puede designar a un miembro como ejecutor de consultas de SQL que puede escribir consultas y a otro miembro como receptor de resultados de consultas de SQL que puede recibir los resultados. Esto permite al creador de la colaboración asegurarse de que el miembro que puede realizar consultas no tenga acceso a los resultados de la consulta. Al configurar una colaboración, también puede configurar las responsabilidades de pago de las consultas de SQL y asignar a un miembro elegido para que se le facturen los costos de procesamiento de consultas en la colaboración, en lugar de que la facturación vaya automáticamente al ejecutor de consultas. Esto brinda más flexibilidad para colaborar con sus socios a fin de designar responsabilidades de SQL en lugar de anclarlas en el ejecutor de consultas.

AWS Entity Resolution en AWS Clean Rooms

Abrir todo

Con AWS Entity Resolution en AWS Clean Rooms, se pueden preparar y emparejar con mayor facilidad los registros de clientes relacionados en una colaboración de AWS Clean Rooms con mayor privacidad. Al utilizar técnicas de coincidencia basadas en reglas o en proveedores de servicios de datos, mejora la coincidencia de datos para casos de uso como la planificación, la segmentación y la medición de campañas publicitarias. Puede usar una lógica de coincidencia configurable o conjuntos de datos e ID de proveedores de servicios de datos confiables, como LiveRamp, para conectar registros entre dispositivos, plataformas y canales.

PySpark

Abrir todo

PySpark en AWS Clean Rooms les permite a usted y a sus socios ejecutar análisis sofisticados en grandes conjuntos de datos mediante PySpark, la API de Python para Apache Spark. Por ejemplo, un proveedor de mediciones publicitarias puede usar PySpark en AWS Clean Rooms para ejecutar sus algoritmos personalizados en varios conjuntos de datos de editores de forma simultánea para medir la eficacia de los anuncios. Del mismo modo, una empresa farmacéutica puede ejecutar sus algoritmos y bibliotecas patentados en varios conjuntos de datos de proveedores de servicios de salud con el consentimiento adecuado de los pacientes para evaluar el cumplimiento del tratamiento con medicamentos en los ensayos clínicos, sin compartir sus datos patentados.

SQL flexible

Abrir todo

Las reglas de análisis son restricciones que brindan un control integrado sobre cómo se pueden analizar los datos. Los miembros de la colaboración que crean una colaboración o se unen a ella como ejecutores de consultas designados pueden escribir consultas para intersecar y analizar las tablas de datos de acuerdo con las reglas de análisis que establezca. AWS Clean Rooms admite tres tipos de reglas de análisis: agregación, lista y personalizadas.

Regla de análisis de agregación: la regla de análisis de agregación permite ejecutar consultas que generan estadísticas agregadas, como el tamaño de la intersección de dos conjuntos de datos. Al usar la regla de análisis de agregación, puede hacer que solo se puedan ejecutar las consultas de agregación en los datos y aplicar restricciones en partes específicas de las consultas que se ejecutan, por ejemplo, qué columnas se deben usar solo en una coincidencia a ciegas y qué columnas se pueden usar en agregaciones, como sumas, recuentos o promedios. También puede controlar la restricción de agregación mínima en la salida.  Además, puede establecer restricciones de agregación mínimas que le permitan establecer condiciones para los retornos de filas de salida. Estas restricciones se expresan en forma de COUNT DISTINCT (Column) >= Threshold. Si una fila de salida de los resultados de la consulta no cumple ninguna de las restricciones, se elimina del conjunto de resultados. Esto le permite garantizar que los umbrales mínimos de agregación se apliquen automáticamente y, al mismo tiempo, brinda flexibilidad a los colaboradores de datos que pueden escribir las consultas que deseen.

Regla de análisis de listas: la regla de análisis de listas permite ejecutar las consultas que extraen la lista de filas de la intersección de varios conjuntos de datos, como la superposición de dos conjuntos de datos. Al usar la regla de análisis de listas, puede hacer que solo se puedan ejecutar las consultas de lista en los datos y aplicar las restricciones a las consultas que se ejecutan, por ejemplo, qué columnas se deben usar solo en una coincidencia a ciegas y qué columnas se pueden mostrar como una lista en el resultado.

Regla de análisis personalizada: la regla de análisis personalizada permite crear consultas personalizadas con la mayoría del SQL estándar ANSI, como las expresiones de tabla comunes (CTE) y las funciones de ventana. También puede revisar y permitir las consultas antes de que los socios de colaboración las ejecuten, y revisar las consultas de otros colaboradores antes de que puedan ejecutarse en sus tablas. Al usar la regla de análisis personalizada, puede usar el control integrado para determinar o limitar, por adelantado, cómo se pueden analizar los datos subyacentes, en lugar de tener que confiar en los registros de consultas una vez finalizados los análisis. Al usar consultas de SQL personalizadas, también puede crear o usar plantillas de análisis para almacenar consultas personalizadas con parámetros en las colaboraciones. Esto permite a los clientes ayudarse unos a otros más fácilmente en una colaboración. Por ejemplo, un miembro que tenga más experiencia en SQL puede crear plantillas para que otros miembros las revisen y, posiblemente, las ejecuten. También facilita los análisis reutilizables en la colaboración. Además, puede utilizar la privacidad diferencial de AWS Clean Rooms seleccionando una regla de análisis personalizada y, a continuación, configurando los parámetros de privacidad diferencial.

La privacidad diferencial de AWS Clean Rooms lo ayuda a proteger la privacidad de sus usuarios con controles intuitivos y respaldados matemáticamente en unos pocos pasos. La privacidad diferencial es una definición matemática rigurosa de la protección de la privacidad de los datos. Sin embargo, la configuración de esta técnica es compleja y requiere una comprensión profunda de la teoría y de fórmulas matemáticamente rigurosas para aplicarla de manera efectiva. La privacidad diferencial de AWS Clean Rooms es una función intuitiva y totalmente administrada de AWS Clean Rooms que le permite evitar la reidentificación de sus usuarios. No necesita tener experiencia previa en privacidad diferencial para utilizar esta capacidad. La privacidad diferencial de AWS Clean Rooms oculta la contribución de los datos de cualquier persona a partir de los resultados agregados de una colaboración de AWS Clean Rooms y le ayuda a ejecutar una amplia gama de consultas de SQL para obtener información sobre campañas publicitarias, decisiones de inversión, investigaciones clínicas y más. Puede configurar la privacidad diferencial de AWS Clean Rooms aplicando una regla de análisis personalizada en su colaboración con AWS Clean Rooms. A continuación, puede configurar la privacidad diferencial de AWS Clean Rooms con controles que sean flexibles para sus casos de uso empresarial específicos y que se puedan aplicar en unos pocos pasos. La privacidad diferencial de AWS Clean Rooms le facilita la activación de la privacidad diferencial en las colaboraciones de AWS Clean Rooms con unas pocas opciones sencillas, todo ello sin necesidad de conocimientos o configuración adicionales por parte de sus socios.

Con Analysis Builder, los usuarios empresariales pueden obtener información en unos pocos pasos sencillos sin tener que escribir o entender SQL. Puede seguir los pasos de la interfaz de usuario guiada para crear consultas que cumplan con las restricciones de datos que cada colaborador ha establecido en sus tablas en función de los criterios sugeridos automáticamente, como métricas, segmentos y filtros relacionados con los conjuntos de datos colectivos. Utilice Analysis Builder en colaboraciones que tengan una o dos tablas configuradas con una regla de análisis de agregación o de listas.

Puede ejecutar consultas de AWS Clean Rooms en datos protegidos criptográficamente. Si tiene políticas de tratamiento de datos que requieren el cifrado de datos confidenciales, puede cifrarlos previamente mediante una clave de cifrado compartida y específica para cada colaboración, de modo que los datos queden cifrados incluso cuando se ejecuten las consultas. La computación criptográfica garantiza que los datos utilizados en las computaciones colaborativas permanezcan cifrados en reposo, en tránsito y en uso (mientras se procesan).

La computación criptográfica para Clean Rooms (C3R) es un SDK Java de código abierto con una CLI, disponible en GitHub. Esta característica se encuentra disponible sin ningún cargo adicional. Si dispone de macrodatos, puede revisar la documentación para ver cómo se puede integrar C3R en Apache Spark.

Esta característica es la última de una amplia gama de herramientas y servicios de computación criptográfica de AWS creados para ayudar a satisfacer sus necesidades de seguridad y conformidad, al tiempo que le permite aprovechar la flexibilidad, la escalabilidad, el rendimiento y la facilidad de uso que ofrece AWS.

ML que mejora la privacidad

Abrir todo

AWS Clean Rooms ML le permite a usted y a sus socios aplicar tecnología de machine learning (ML) para mejorar la privacidad y generar información predictiva sin tener que compartir datos sin procesar entre sí. AWS Clean Rooms ML admite modelos de machine learning (ML) personalizados y similares. Con el modelado personalizado, puede incorporar un modelo personalizado para el entrenamiento y ejecutar inferencias en conjuntos de datos colectivos, sin compartir los datos subyacentes o la propiedad intelectual entre los colaboradores. Con el modelado similar, puede usar un modelo creado por AWS para generar un conjunto ampliado de perfiles similares a partir de una pequeña muestra de perfiles que sus socios aportan a una colaboración.

AWS Clean Rooms ML ayuda a los clientes con varios casos de uso. Por ejemplo, los anunciantes pueden incorporar su modelo y sus datos propios a una colaboración de Clean Rooms e invitar a los editores a unir sus datos para entrenar e implementar un modelo de machine learning personalizado que les ayude a aumentar la eficacia de la campaña; las instituciones financieras pueden utilizar los registros históricos de transacciones para entrenar un modelo de aprendizaje automático personalizado e invitar a los socios a una colaboración de Clean Rooms para detectar posibles transacciones fraudulentas; las instituciones de investigación y las redes hospitalarias pueden encontrar candidatos similares a los participantes de los ensayos clínicos actuales para ayudar a acelerar los ensayos clínicos estudios; y las marcas y los editores pueden modelar segmentos similares de clientes del mercado y ofrecer experiencias publicitarias muy relevantes, sin que ninguna de las empresas comparta sus datos subyacentes con la otra.

El modelado similar de AWS Clean Rooms ML, utilizando un modelo creado por AWS, se creó y probó en varios conjuntos de datos, como el comercio electrónico y la transmisión de video, y puede ayudarle a mejorar la precisión de los modelos similares en hasta un 36 %, en comparación con las bases de referencia representativas del sector. En aplicaciones del mundo real, como la prospección de nuevos clientes, esta mejora de la precisión puede traducirse en ahorros de millones de dólares.

AWS Clean Rooms le permite a usted y a sus socios generar conjuntos de datos sintéticos a partir de sus datos colectivos para entrenar modelos de machine learning (ML) de regresión y clasificación. AWS Clean Rooms ML aplica controles que mejoran la privacidad para ayudar a proteger sus datos patentados y modelos de machine learning y, al mismo tiempo, generar información predictiva. Como control que mejora la privacidad, la generación de conjuntos de datos sintéticos les permite a usted y a sus socios crear conjuntos de datos de entrenamiento con propiedades estadísticas similares a las del original, lo que permite trabajar con nuevos casos de uso de entrenamiento de modelos de machine learning para conjuntos de datos colectivos que antes estaban restringidos por motivos de privacidad de datos.

La generación de conjuntos de datos sintéticos con el objetivo de mejorar la privacidad para el machine learning personalizado en AWS Clean Rooms ML consiste en anular la identificación de sujetos (como personas o entidades sobre las que se recopilaron datos) en los datos originales, lo que reduce el riesgo de que un modelo memorice información sobre las personas del conjunto de datos. El proceso de generación de conjuntos de datos sintéticos está optimizado para crear conjuntos de datos compatibles con los algoritmos de regresión y clasificación de su elección.