Questions fréquentes (FAQ) sur AWS Clean Rooms

AWS Clean Rooms ML vous aide, vous et vos partenaires, à appliquer un machine learning (ML) qui améliore la confidentialité afin de générer des informations prédictives sans avoir à partager de données brutes entre vous. AWS Clean Rooms ML prend en charge la modélisation de machine learning (ML) personnalisée et similaire. Grâce à la modélisation personnalisée, vous pouvez apporter un modèle personnalisé pour l’entraînement et exécuter des inférences sur des jeux de données collectifs, sans partager les données sous-jacentes ou la propriété intellectuelle entre les collaborateurs. Avec la modélisation similaire, vous pouvez utiliser un modèle créé par AWS pour générer un ensemble étendu de profils similaires sur la base d’un petit échantillon de profils que vos partenaires apportent dans le cadre d’une collaboration.

AWS Clean Rooms ML aide les clients dans de nombreux cas d'utilisation. Par exemple, les annonceurs peuvent intégrer leur modèle et leurs données propriétaires dans une collaboration Clean Rooms, et inviter les diffuseurs de publication à intégrer leurs données pour former et déployer un modèle de ML personnalisé qui les aide à améliorer l’efficacité de leurs campagnes ; les institutions financières peuvent utiliser les enregistrements de transactions historiques pour créer un modèle de ML personnalisé et inviter des partenaires à participer à une collaboration Clean Rooms afin de détecter les transactions potentiellement frauduleuses ; les instituts de recherche et les réseaux hospitaliers peuvent trouver des candidats similaires aux participants existants aux essais cliniques afin d’accélérer les études cliniques ; et les marques et les diffuseurs de publication peuvent modéliser des segments similaires de clients sur le marché et proposer des expériences publicitaires très pertinentes, sans qu’aucune des entreprises ne partage ses données sous-jacentes avec l’autre.

Grâce à la modélisation personnalisée d’AWS Clean Rooms ML, vous pouvez intégrer vos propres modèles, algorithmes et données de machine learning (ML) dans le cadre d’une collaboration avec vos partenaires afin d’entraîner des modèles de ML et d’effectuer des inférences sur des jeux de données collectifs sans avoir à partager de données sensibles ou de modèles ML propriétaires.

La modélisation personnalisée d’AWS Clean Rooms ML prend en charge l’entraînement ML et les flux de travail d’inférence ML. Pour les deux flux de travail, vous commencez par définir une requête SQL AWS Clean Rooms Spark qui est utilisée pour générer un jeu de données pour l’étape d’entraînement ou d’inférence. Le jeu de données intermédiaire est conservé dans le cadre de la collaboration en salle blanche et ne peut être utilisé que pour des tâches AWS Clean Rooms ML approuvées. La deuxième étape est l’entraînement ou l’inférence de modèle ML. Les modèles et le code ML sont regroupés dans une image de conteneur. Un modèle entraîné peut être conservé dans le cadre de la collaboration et utilisé dans le cadre d’un flux de travail d’inférence. Avec AWS Clean Rooms ML, vos données ne sont utilisées que pour entraîner votre modèle personnalisé, et elles ne sont pas partagées entre collaborateurs ni utilisées pour l’entraînement du modèle AWS. Vous pouvez supprimer vos données de Clean Rooms ML ou supprimer un modèle personnalisé quand vous le souhaitez. Vous pouvez aussi appliquer des contrôles renforçant la confidentialité pour protéger les données sensibles que vous apportez à une collaboration. Pour appliquer la modélisation personnalisée d’AWS Clean Room ML, vous devez utiliser Spark SQL comme moteur d’analytique.

Grâce à la modélisation similaire d’AWS Clean Rooms ML, vous pouvez utiliser un modèle créé par AWS pour générer un ensemble étendu de profils similaires sur la base d’un petit échantillon de profils que vos partenaires apportent à une collaboration tout en protégeant vos données sous-jacentes et celles de votre partenaire. Vous pouvez inviter vos partenaires dans une salle blanche et appliquer le modèle ML créé par AWS, qui est entraîné de façon à ce que chaque collaboration génère des jeux de données similaires en quelques étapes, économisant ainsi des mois de travail de développement pour créer, entraîner, ajuster et déployer votre propre modèle. La modélisation similaire d’AWS Clean Rooms ML a été conçue et testée sur de nombreux jeux de données, tels que le commerce électronique et le streaming vidéo, et peut aider les clients à améliorer la précision de modélisation similaire jusqu’à 36 %, par rapport aux données de référence représentatives du secteur. Dans des applications concrètes telles que la prospection de nouveaux clients, cette amélioration de la précision peut résulter sur des économies de plusieurs millions de dollars.

La protection des données commence par la base de sécurité d'AWS, et AWS Clean Rooms repose sur les services de sécurité AWS, notamment AWS Identity and Access Management (IAM), AWS Key Management Service (KMS) et AWS CloudTrail. Cela vous permet d'étendre votre stratégie de protection des données existante aux charges de travail de collaboration en matière de données. Avec AWS Clean Rooms, il n'est plus nécessaire de stocker ou de conserver une copie de vos données à l'extérieur de votre environnement AWS ni de les envoyer à un autre membre pour effectuer une analyse en vue d'obtenir des informations sur les consommateurs, des mesures marketing, des prévisions ou une évaluation des risques.

Lorsque vous configurez une collaboration AWS Clean Rooms et que vous utilisez l'analyse SQL, vous pouvez spécifier différentes options pour chaque membre de la collaboration en fonction de vos cas d'utilisation spécifiques. Par exemple, si vous souhaitez que le résultat de la requête soit envoyé à un autre membre, vous pouvez désigner un membre comme exécuteur de la requête (c'est lui qui écrit les requêtes) et un autre membre comme destinataire des résultats de la requête (c'est lui qui reçoit les résultats). Cela permet au créateur de la collaboration de s'assurer que le membre qui peut effectuer une requête n'a pas accès aux résultats de la requête.

AWS Clean Rooms propose également des contrôles de requêtes SQL qui vous permettent de limiter le type des requêtes ou les requêtes spécifiques qui peuvent être exécutées sur vos tables de données au moyen de la configuration de règles d'analyse. AWS Clean Rooms prend en charge trois types de règles d'analyse SQL : agrégation, liste et personnalisée. La règle d'analyse d'agrégation vous permet de configurer votre table de manière à n'autoriser que les requêtes qui génèrent des statistiques agrégées (comme l'attribution ou la mesure de campagnes). La règle d'analyse de liste vous permet de configurer vos contrôles de sorte que les requêtes ne puissent analyser que l'intersection entre vos jeux de données et ceux du membre autorisé à exécuter des requêtes. La règle d'analyse personnalisée vous permet de configurer des contrôles au niveau des requêtes pour autoriser l'exécution de comptes ou de requêtes spécifiques sur votre jeu de données. Lorsque vous utilisez des règles d'analyse personnalisées, vous pouvez choisir d'utiliser la confidentialité différentielle. La confidentialité différentielle d'AWS Clean Rooms vous aide à protéger la vie privée de vos utilisateurs grâce à des commandes intuitives et soutenues par des critères mathématiques en quelques clics. En tant que fonctionnalité entièrement gérée d’AWS Clean Rooms, aucune expérience préalable en matière de confidentialité différentielle n’est requise pour empêcher la réidentification de vos utilisateurs. Les seuils d'agrégation constituent un autre moyen de contrôle, qui empêchent les requêtes d'accéder à de petits groupes potentiellement réidentifiables.

Avec AWS Clean Rooms ML, vos données ne sont utilisées que pour entraîner votre modèle et ne servent pas à entraîner des modèles AWS. AWS Clean Rooms ML n'utilise pas les données d'entraînement ou de segment similaires d'une entreprise avec d'autres, et vous pouvez supprimer votre modèle et vos données d'entraînement quand vous le souhaitez.

Non. Les jeux de données sont stockés dans les lacs de données AWS ou Snowflake des collaborateurs et ne sont pas déplacés. AWS Clean Rooms lit temporairement les données des comptes des participants pour exécuter des requêtes, faire correspondre des enregistrements, entraîner des modèles de machine learning ou développer des segments d’amorçage. Les résultats d'une analyse sont envoyés à l'emplacement S3 conçu pour l'analyse. Aucune donnée lue à partir d’un lac de données n’est stockée de façon permanente dans AWS pendant le processus de collaboration et toutes les données lues temporairement dans l’environnement AWS Clean Rooms sont supprimées à la fin de la requête.

AWS Entity Resolution sur AWS Clean Rooms génère un jeu de données qui permet de mapper les identifiants de chaque partie dans une collaboration. Le jeu de données de mappage est géré par AWS Clean Rooms. Aucun participant de la collaboration ne peut voir ou télécharger la table de mappage. Si tous les participants de la collaboration acceptent d’assouplir cette règle de confidentialité, la table de mappage pourra être consultée pour des cas d’utilisation particuliers. Chaque partie peut supprimer la table à tout moment.

Les modèles générés par AWS Clean Rooms ML sont stockés par le service, peuvent être chiffrés à l'aide d'une clé AWS KMS gérée par le client et peuvent être supprimés par le client à tout moment.

Les règles d'analyse et de chiffrement d'AWS Clean Rooms vous permettent de contrôler, avec précision, le type d'informations que vous souhaitez partager. En tant que collaborateur participant à une collaboration en matière de données, il vous revient d'évaluer les risques de chaque collaboration, notamment ceux associés à la réidentification, et de faire preuve de toute la diligence raisonnable pour garantir la conformité avec les lois en matière de confidentialité des données. Si les données que vous partagez sont sensibles ou réglementées, nous vous recommandons d'utiliser également des accords juridiques et des mécanismes d'audit appropriés afin de réduire davantage les risques pour la vie privée.

Oui. Les conditions de service AWS interdisent certains cas d'utilisation pour les collaborations dans AWS Clean Rooms.

Oui. Le programme de conformité HIPAA AWS comprend AWS Clean Rooms en tant que service éligible HIPAA. Si vous avez signé un accord de partenariat commercial (BAA) avec AWS, vous pouvez désormais utiliser AWS Clean Rooms pour créer des collaborations conformes à la loi HIPAA. Si vous n'avez pas de BAA ou si vous avez d'autres questions sur l'utilisation d'AWS avec des applications conformes HIPAA, contactez-nous pour obtenir plus d'informations.

Pour en savoir plus, consultez les ressources suivantes :

Page AWS Conformité à la loi HIPAA

Page AWS Cloud Computing dans le secteur de la santé

Vous pouvez choisir d'utiliser le moteur d'analyse Spark pour exécuter des requêtes à l'aide du dialecte Spark SQL dans les collaborations AWS Clean Rooms. AWS Clean Rooms Spark SQL propose des tailles de calcul configurables afin de mieux contrôler les performances en termes de prix lors de l'exécution de charges de travail SQL. Pour appliquer la confidentialité différentielle d'AWS Clean Rooms ou utiliser des règles d'agrégation ou d'analyse de listes dans une collaboration, vous devez utiliser SQL comme moteur d'analyse.

AWS Clean Rooms Spark SQL utilise le type d'instance par défaut CR.1X, qui fournit 4 vCPU, 30 Go de mémoire et 100 Go de stockage. Vous pouvez choisir d'allouer davantage de ressources à l'exécution de vos charges de travail Spark SQL en sélectionnant le type d'instance CR.4X plus volumineux, qui fournit 16 processeurs virtuels, 120 Go de mémoire et 400 Go de stockage. Des instances de plus grande taille peuvent bénéficier aux charges de travail SQL qui traitent de grands volumes de données et effectuent des analyses complexes, ce qui permet de répartir les charges de travail sur un plus grand nombre de ressources. Pour en savoir plus sur le processeur virtuel, la mémoire et le stockage associés à chaque configuration, cliquez ici.

Dans les règles d'analyse SQL, vous configurez des contrôles au niveau des colonnes qui vous aident à définir la façon dont chaque colonne est utilisée dans des requêtes. Vous pouvez, par exemple, spécifier les colonnes qui peuvent être utilisées pour calculer des statistiques agrégées, comme SUM(price), et celles qui peuvent l'être pour joindre votre table à d'autres membres de la collaboration. Dans la règle d'analyse d'agrégation, vous pouvez également définir un seuil minimal d'agrégation que doit respecter chaque ligne de sortie. Les lignes qui ne respectent pas ce seuil minimal sont automatiquement exclues par AWS Clean Rooms.

Oui. Vous aurez la possibilité de configurer AWS Clean Rooms pour qu'il publie des journaux de requêtes dans Amazon CloudWatch Logs. Avec la règle d'analyse personnalisée, vous pouvez également consulter les requêtes (stockées dans les modèles d'analyse) avant qu'elles ne soient exécutées dans le cadre de la collaboration. 

La confidentialité différentielle est un cadre mathématiquement éprouvé qui contribue à la protection de la confidentialité des données. Le principal avantage de la confidentialité différentielle est de permettre la protection des données au niveau individuel en ajoutant une quantité contrôlée de caractère aléatoire (bruit) afin de masquer la présence ou l'absence d'un individu dans un jeu de données en cours d'analyse.

En quelques étapes seulement, la confidentialité différentielle d'AWS Clean Rooms vous permet de protéger la vie privée de vos utilisateurs grâce à des commandes intuitives basées sur des critères mathématiques. En tant que fonctionnalité entièrement gérée d’AWS Clean Rooms, aucune expérience préalable en matière de confidentialité différentielle n’est requise pour empêcher la réidentification de vos utilisateurs. La confidentialité différentielle d'AWS Clean Rooms masque la contribution des données de tout individu en générant des informations agrégées dans le cadre de collaborations, afin que vous puissiez exécuter un large éventail de requêtes SQL pour générer des informations sur les campagnes publicitaires, les décisions d'investissement, les recherches cliniques, etc.

Vous pouvez commencer à utiliser la confidentialité différentielle d'AWS Clean Rooms en quelques étapes seulement après avoir démarré ou rejoint une collaboration AWS Clean Rooms en tant que membre habilité à fournir des données. Après avoir créé une table configurée, qui fait référence à votre table dans le catalogue de données AWS Glue, il vous suffit de choisir d'activer la confidentialité différentielle tout en ajoutant une règle d'analyse personnalisée à la table configurée lorsque vous utilisez le moteur d'analyse SQL. Ensuite, vous associez la table configurée à votre collaboration AWS Clean Rooms et vous configurez une politique de confidentialité différentielle dans la collaboration afin de rendre votre table disponible pour des requêtes. Vous pouvez utiliser une politique par défaut pour terminer rapidement la configuration ou la personnaliser en fonction de vos besoins spécifiques. Pour appliquer la confidentialité différentielle AWS Clean Rooms à une collaboration, vous devez utiliser des données stockées dans Amazon S3 et SQL comme moteur analytique.

Une fois que la confidentialité différentielle d'AWS Clean Rooms est configurée, votre partenaire de collaboration peut commencer à exécuter des requêtes sur votre table, sans avoir besoin d'aucune expertise en matière de concepts de confidentialité différentielle ni de configuration supplémentaire de la part de ses partenaires. Avec la confidentialité différentielle d'AWS Clean Rooms, les exécuteurs de requêtes peuvent exécuter des analyses personnalisées et flexibles, notamment des modèles de requêtes complexes avec des expressions de table communes (CTE) et des fonctions d'agrégation couramment utilisées comme COUNT et SUM.

Le calcul cryptographique est une méthode destinée à protéger et chiffrer les données sensibles lorsqu'elles sont utilisées. Les données sont chiffrées au repos lorsqu'elles sont stockées, et en mouvement lorsqu'elles sont transmises et lorsqu'elles sont utilisées. Le chiffrement consiste à convertir des données en texte brut en données codées qui peuvent uniquement être déchiffrées avec une « clé » spécifique. PSI (Private Set Intersection) est un type de calcul cryptographique qui permet à plusieurs parties détenant des jeux de données de comparer des versions chiffrées afin d'effectuer le calcul. Le chiffrement s'effectue sur site avec la clé secrète partagée du collaborateur. C3R est disponible pour le moteur d'analyse Spark SQL ou le moteur d'analyse SQL.

AWS Clean Rooms comprend Cryptographic Computing for Clean Rooms (C3R). C3R permet d'effectuer un chiffrement préalable des données à l'aide d'un outil de chiffrement côté client (un kit SDK ou une interface de ligne de commande [CLI]) qui utilise une clé secrète partagée avec d'autres participants dans le cadre d'une collaboration dans AWS Clean Rooms. Les données sont chiffrées à mesure que les requêtes sont exécutées.