AWS Clean Rooms prend en charge la formation à la génération de jeux de données synthétiques pour l'entraînement personnalisé du ML
AWS Clean Rooms vous permet désormais, à vous et à vos partenaires, de générer des jeux de données synthétiques améliorant la confidentialité à partir de vos données collectives pour entraîner des modèles de machine learning (ML) de régression et de classification.
La génération de jeux de données synthétiques vous permet, à vous et à vos partenaires, de créer des jeux de données d'entraînement présentant des propriétés statistiques similaires à celles des données d'origine, sans que le code d'entraînement n'ait accès à des enregistrements réels. Cette nouvelle fonctionnalité permet de désidentifier les sujets, tels que les personnes ou les entités au sujet desquelles des données ont été collectées, dans les données d’origine, réduisant ainsi le risque qu’un modèle mémorise des informations sur des individus dans les données d’entraînement. Cela ouvre de nouveaux cas d'utilisation de la formation sur les modèles de machine learning qui étaient auparavant limités par des problèmes de confidentialité, tels que l'optimisation des campagnes, la détection des fraudes et la recherche médicale. Par exemple, une compagnie aérienne dotée d'un algorithme propriétaire souhaite collaborer avec une marque hôtelière pour proposer des promotions conjointes à des clients de grande valeur, mais aucune des deux organisations ne souhaite partager des données sensibles sur les consommateurs. Grâce à AWS Clean Rooms ML, ils peuvent générer une version synthétique de leur jeu de données collectif afin d'entraîner le modèle sans exposer de données brutes, ce qui permet un ciblage plus précis des promotions tout en protégeant la confidentialité des clients.
Pour en savoir plus sur les régions AWS dans lesquelles AWS Clean Rooms ML est disponible, consultez le tableau des régions AWS. Pour en savoir plus, rendez-vous sur la page AWS Clean Rooms ML.