FAQ AWS Clean Rooms

ML AWS Clean Rooms membantu Anda dan partner Anda menerapkan model ML pada data kolektif Anda untuk memperoleh wawasan prediktif tanpa saling berbagi informasi sensitif. Dengan kemampuan AWS Clean Rooms ini, Anda dapat mengundang partner Anda ke kamar bersih dan menerapkan model ML siap pakai yang dikelola AWS yang dilatih untuk setiap kolaborasi guna menghasilkan set data serupa dalam beberapa langkah, menghemat berbulan-bulan pekerjaan pengembangan untuk membangun, melatih, menyetel, dan melakukan deployment model Anda sendiri.

ML AWS Clean Rooms membantu pelanggan dengan beberapa kasus penggunaan. Misalnya, maskapai penerbangan dapat menggunakan data tentang pelanggannya, berkolaborasi dengan layanan pemesanan online, dan mengidentifikasi calon wisatawan dengan karakteristik serupa; pemberi pinjaman mobil dan perusahaan asuransi dapat mengidentifikasi calon pelanggan asuransi mobil yang berbagi karakteristik dengan serangkaian pemilik sewa yang ada; serta merek dan penerbit dapat memodelkan segmen pelanggan dalam pasar yang serupa dan memberikan pengalaman periklanan yang sangat relevan, tanpa salah satu perusahaan berbagi data dasar mereka dengan yang lainnya. Pemodelan layanan kesehatan akan tersedia dalam beberapa bulan mendatang.

ML AWS Clean Rooms dibangun dan diuji di berbagai set data, seperti e-commerce dan video streaming, serta dapat membantu pelanggan meningkatkan akurasi pada pemodelan serupa hingga 36% jika dibandingkan dengan garis acuan industri representatif. Dalam aplikasi dunia nyata seperti mencari pelanggan baru, peningkatan akurasi ini dapat menghasilkan penghematan jutaan dolar.

Dengan pemodelan serupa ML AWS Clean Rooms, Anda dapat melatih model kustom Anda sendiri menggunakan data dan mengundang partner untuk membawa sampel kecil catatan mereka ke kolaborasi untuk menghasilkan kumpulan catatan serupa yang diperluas sekaligus melindungi data dasar Anda dan partner. ML AWS Clean Rooms mengambil sampel kecil catatan dari satu pihak dan menemukan kumpulan catatan atau segmen serupa yang jauh lebih besar dari set data kolaborator lain. ML AWS Clean Rooms tidak membagikan data dengan salah satu pihak, dan pihak-pihak tersebut dapat menghapus data mereka atau menghapus model khusus kapan pun mereka mau. Anda dapat menentukan ukuran yang diinginkan dari segmen serupa yang dihasilkan, dan ML AWS Clean Rooms akan secara privat mencocokkan profil unik dalam daftar sampel dengan yang ada di set data partner Anda lalu melatih model ML yang memprediksi seberapa mirip setiap profil dalam set data kolaborator dengan yang ada di sampel Anda. ML AWS Clean Rooms akan secara otomatis mengelompokkan profil yang mirip dengan daftar sampel dan menampilkan segmen serupa yang dihasilkan. ML AWS Clean Rooms menghilangkan kebutuhan untuk berbagi data untuk membangun, melatih, dan melakukan deployment model ML dengan partner Anda. Dengan ML AWS Clean Rooms, data Anda hanya digunakan untuk melatih model Anda dan tidak digunakan untuk pelatihan model AWS. Anda dapat menggunakan kontrol intuitif yang membantu Anda dan partner Anda menyesuaikan hasil prediksi model.

Perlindungan data dimulai dengan fondasi keamanan AWS, dan AWS Clean Rooms dibangun di atas layanan keamanan AWS termasuk AWS Identity and Access Management (IAM), AWS Key Management Service (AWS KMS), dan AWS CloudTrail. Hal ini memungkinkan Anda untuk memperluas strategi perlindungan data yang ada ke beban kerja kolaborasi data. Dengan AWS Clean Rooms, Anda tidak perlu lagi menyimpan atau mengelola salinan data di luar lingkungan AWS dan mengirimkannya ke pihak lain guna melakukan analisis untuk wawasan konsumen, pengukuran pemasaran, prakiraan, atau penilaian risiko.

Saat mengatur kolaborasi AWS Clean Rooms dan menggunakan analisis SQL, Anda dapat menentukan kemampuan yang berbeda untuk setiap anggota kolaborasi agar sesuai dengan kasus penggunaan spesifik Anda. Misalnya, jika Anda ingin output kueri menuju ke anggota yang berbeda, Anda dapat menunjuk satu anggota sebagai runner kueri yang dapat menulis kueri dan anggota lain sebagai penerima hasil kueri yang dapat menerima hasil. Hal ini memberi kemampuan kepada pencipta kolaborasi untuk memastikan bahwa anggota yang dapat mengueri tidak memiliki akses ke hasil kueri.

AWS Clean Rooms juga memiliki kontrol kueri SQL yang memungkinkan Anda membatasi jenis kueri atau kueri tertentu yang dapat dijalankan pada tabel data Anda melalui konfigurasi aturan analisis. AWS Clean Rooms mendukung tiga jenis aturan analisis SQL: agregasi, daftar, dan kustom. Dengan aturan analisis agregasi, Anda dapat mengonfigurasi tabel sehingga hanya kueri yang menghasilkan statistik agregat yang akan diizinkan (seperti pengukuran atau atribusi kampanye). Dengan aturan analisis daftar, Anda dapat mengonfigurasi kontrol sehingga kueri hanya dapat menganalisis pertemuan set data Anda dengan set data anggota yang dapat mengueri. Dengan aturan analisis kustom, Anda dapat mengonfigurasi kontrol tingkat kueri untuk memungkinkan akun atau kueri tertentu dijalankan pada set data Anda. Saat menggunakan aturan analisis khusus, Anda dapat memilih untuk menggunakan Privasi Diferensial. Privasi Diferensial AWS Clean Rooms membantu Anda melindungi privasi pengguna Anda dengan kontrol yang didukung secara matematis dan bersifat intuitif dalam beberapa langkah. Sebagai kemampuan AWS Clean Rooms yang terkelola penuh, tidak diperlukan pengalaman privasi diferensial sebelumnya untuk membantu Anda mencegah identifikasi ulang pengguna Anda. Kontrol lainnya adalah ambang batas agregasi, yang mencegah kueri menelusuri ke grup kecil yang berpotensi dapat diidentifikasi ulang.

Dengan ML AWS Clean Rooms, data Anda hanya digunakan untuk melatih model Anda dan tidak digunakan untuk pelatihan model AWS. ML AWS Clean Rooms tidak menggunakan pelatihan atau data segmen serupa milik perusahaan mana pun dengan yang lain, dan Anda dapat menghapus model dan data pelatihan kapan pun Anda inginkan.

Tidak. Set data disimpan dalam akun AWS kolaborator. AWS Clean Rooms membaca data sementara dari akun kolaborator untuk menjalankan kueri, melatih model ML, atau memperluas segmen awal. Hasil analisis dikirim ke lokasi S3 yang dirancang untuk analisis.

Model yang dihasilkan oleh ML AWS Clean Rooms disimpan oleh layanan, dapat dienkripsi dengan kunci AWS KMS yang dikelola pelanggan, dan dapat dihapus oleh pelanggan kapan saja.

Enkripsi dan aturan analisis AWS Clean Rooms memungkinkan Anda untuk mengontrol secara terperinci tipe informasi yang ingin Anda bagikan. Sebagai kolaborator data, Anda bertanggung jawab untuk menilai risiko setiap kolaborasi, termasuk risiko identifikasi ulang, dan melakukan uji kelayakan tambahan Anda sendiri untuk memastikan kepatuhan terhadap setiap undang-undang privasi data. Jika data yang dibagikan bersifat sensitif atau diregulasi, sebaiknya Anda juga menggunakan kesepakatan hukum dan mekanisme audit yang sesuai untuk lebih mengurangi risiko privasi.

Ya. Ketentuan Layanan AWS melarang kasus penggunaan tertentu untuk kolaborasi di AWS Clean Rooms.

Ya. Program kepatuhan HIPAA AWS mencakup AWS Clean Rooms sebagai layanan yang memenuhi syarat HIPAA. Jika Anda telah menjalankan Adendum Rekanan Bisnis (BAA) dengan AWS, sekarang Anda dapat menggunakan AWS Clean Rooms untuk membuat kolaborasi yang sesuai dengan HIPAA. Jika Anda tidak memiliki BAA atau pertanyaan mengenai penggunaan AWS untuk aplikasi yang patuh pada HIPAA milik Anda, hubungi kami untuk informasi selengkapnya. Untuk mempelajari selengkapnya, lihat Kepatuhan HIPAA AWS dan AWS untuk Layanan Kesehatan dan Ilmu Hayati.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Dalam aturan analisis SQL, Anda mengonfigurasi kontrol tingkat kolom yang membantu Anda menentukan cara setiap kolom digunakan dalam kueri. Misalnya, Anda dapat menentukan kolom manakah yang dapat digunakan untuk menghitung statistik agregat—seperti SUM(harga)—dan kolom manakah yang dapat digunakan untuk menggabungkan tabel Anda dengan tabel anggota kolaborasi lainnya. Dalam aturan analisis Agregasi, Anda juga dapat menentukan ambang batas agregasi minimum yang harus dipenuhi oleh setiap baris output. Baris yang tidak memenuhi ambang batas minimum akan difilter secara otomatis oleh AWS Clean Rooms.

Ya. Anda dapat mengonfigurasi AWS Clean Rooms untuk menerbitkan log kueri di Log Amazon CloudWatch. Dengan aturan analisis kustom, Anda juga dapat meninjau kueri (disimpan dalam templat analisis) sebelum dijalankan dalam kolaborasi. 

Privasi diferensial adalah kerangka kerja yang terbukti secara matematis untuk membantu perlindungan privasi data. Manfaat utama di balik privasi diferensial adalah membantu melindungi data di tingkat individu dengan menambahkan jumlah keacakan yang terkontrol, yaitu noise, untuk mengaburkan ada atau tidaknya individu tunggal dalam set data yang sedang dianalisis.

Privasi Diferensial AWS Clean Rooms membantu Anda melindungi privasi pengguna Anda dengan kontrol yang didukung secara matematis dan bersifat intuitif dalam beberapa langkah. Sebagai kemampuan AWS Clean Rooms yang terkelola penuh, tidak diperlukan pengalaman privasi diferensial sebelumnya untuk membantu Anda mencegah identifikasi ulang pengguna Anda. Privasi Diferensial AWS Clean Rooms mengaburkan kontribusi data individu dalam menghasilkan wawasan agregat dalam kolaborasi sehingga Anda dapat menjalankan berbagai kueri SQL untuk menghasilkan wawasan mengenai kampanye iklan, keputusan investasi, penelitian klinis, dan banyak lagi.

Anda dapat mulai menggunakan Privasi Diferensial AWS Clean Rooms hanya dengan beberapa langkah setelah memulai atau bergabung dengan kolaborasi AWS Clean Rooms sebagai anggota dengan kemampuan untuk menyumbangkan data. Setelah Anda membuat tabel yang dikonfigurasi, yang merupakan referensi ke tabel Anda di Katalog Data AWS Glue, Anda cukup memilih untuk mengaktifkan privasi diferensial sekaligus menambahkan aturan analisis khusus ke tabel yang dikonfigurasi. Selanjutnya, Anda mengaitkan tabel yang dikonfigurasi dengan kolaborasi AWS Clean Rooms Anda dan mengonfigurasi kebijakan privasi diferensial dalam kolaborasi untuk membuat tabel Anda tersedia untuk kueri. Anda dapat menggunakan kebijakan default untuk menyelesaikan pengaturan dengan cepat atau menyesuaikannya agar memenuhi persyaratan spesifik Anda.

Setelah Privasi Diferensial AWS Clean Rooms diatur, partner kolaborasi Anda dapat mulai menjalankan kueri pada tabel Anda—tanpa memerlukan keahlian apa pun dalam konsep privasi diferensial atau pengaturan tambahan dari partner mereka. Dengan Privasi Diferensial AWS Clean Rooms, runner kueri dapat menjalankan analisis kustom dan fleksibel, termasuk pola kueri kompleks dengan ekspresi tabel umum (CTE) dan fungsi agregat yang umum digunakan, seperti COUNT dan SUM.

Komputasi kriptografis adalah metode untuk melindungi dan mengenkripsi data sensitif saat sedang digunakan. Data dapat dienkripsi saat diam ketika disimpan, saat bergerak ketika ditransmisikan, dan saat sedang digunakan. Enkripsi berarti mengonversi data plaintext menjadi data yang dienkode dan tidak dapat dipecahkan tanpa "kunci" tertentu. Private set intersection (PSI) adalah tipe komputasi kriptografis yang mengizinkan dua atau beberapa pihak memiliki set data untuk membandingkan versi yang dienkripsi guna menjalankan komputasi. Enkripsi terjadi on premise dengan kunci rahasia kolaborator bersama.

AWS Clean Rooms menyertakan C3R, yang menyediakan opsi untuk mengenkripsi data sebelumnya menggunakan alat enkripsi di sisi klien—yaitu SDK atau antarmuka baris perintah (CLI)—yang menggunakan kunci rahasia bersama dengan peserta lain dalam kolaborasi AWS Clean Rooms. Fitur ini mengenkripsi data saat kueri dijalankan.