Lewati ke Konten Utama

AWS Clean Rooms

Mengapa menggunakan AWS Clean Rooms?

AWS Clean Rooms memudahkan Anda dan partner Anda untuk menganalisis serta berkolaborasi di set data kolektif agar dapat memperoleh wawasan tanpa mengungkapkan data yang mendasarinya satu sama lain. Anda dapat menggunakan AWS Clean Rooms untuk membuat kamar bersih Anda sendiri dalam hitungan menit dan mulai menganalisis set data kolektif Anda hanya dengan beberapa langkah. Dengan AWS Clean Rooms, Anda dapat mengundang pelanggan AWS yang ingin Anda ajak berkolaborasi, memilih set data, mencocokkan catatan terkait, dan mengonfigurasi batasan untuk peserta.

Buat kamar bersih Anda sendiri, tambahkan peserta, dan mulai berkolaborasi dalam beberapa langkah

AWS Clean Rooms membantu Anda melakukan deployment pada kamar bersih Anda sendiri secara lebih cepat dan mudah tanpa harus membangun, mengelola, dan memelihara solusi Anda sendiri. Perusahaan juga dapat menggunakan API untuk mengintegrasikan fungsionalitas AWS Clean Rooms ke dalam alur kerja mereka.
A businesswoman wearing glasses and earbuds is smiling while working on a computer in a modern office setting with natural light.

Lakukan kolaborasi dengan perusahaan mana pun tanpa berbagi atau mengungkap data yang mendasarinya

AWS Clean Rooms mempercepat dan mempermudah pembuatan wawasan dari data multipihak tanpa harus memindahkan atau membagikan data mentah mereka. Pelanggan dapat secara langsung mengizinkan data mereka di AWS dan mulai berkolaborasi dengan set data partner mereka yang disimpan di Snowflake dan AWS dengan nol extract, transform, and load ( nol-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.

Lindungi data dasar dengan beragam set kontrol peningkatan privasi untuk kamar bersih

AWS Clean Rooms mendukung kebijakan penanganan data yang ketat melalui berbagai kemampuan yang meningkatkan privasi, termasuk aturan analisis yang terperinci, Privasi Diferensial AWS Clean Rooms, dan komputasi kriptografis. Anda juga dapat menggunakan log analisis untuk memahami dan mengaudit cara data Anda digunakan.
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.

Tautkan dan cocokkan catatan pelanggan, gunakan alat analitik yang fleksibel, serta latih dan deploy model ML dengan partner Anda

Dengan AWS Clean Rooms, Anda dapat mencocokkan dan menautkan catatan pelanggan dari seluruh aplikasi, saluran, atau penyimpanan data apa pun. Anda dapat menggunakan PySpark, SQL, atau menyertakan model ML sendiri, dan men- deploy model tersebut untuk mengungkap wawasan dengan partner Anda tanpa harus membagikan model kustom atau data mentah dengan mereka.
Missing alt text value

Topik halaman

Multipihak

Buka semua

Dengan AWS Clean Rooms, Anda dapat menganalisis data dengan beberapa pihak lain dalam satu kolaborasi. Setiap anggota kolaborasi menyimpan data di akun mereka sendiri. Anda dapat menghasilkan wawasan dari data kolektif Anda dan partner Anda dengan aman tanpa harus menulis kode. Anda dapat membuat kamar bersih, mengundang perusahaan yang ingin Anda ajak berkolaborasi, dan memilih peserta mana yang dapat menjalankan analisis SQL atau menghasilkan wawasan prediktif dengan ML AWS Clean Rooms dalam kolaborasi tersebut.

Berkolaborasi pada data Anda di mana pun data itu disimpan

Buka semua

Dengan AWS Clean Rooms, Anda dapat berkolaborasi pada data multipihak dengan mudah tanpa harus memindahkan atau membagikan data mentah Anda. Anda dapat secara langsung mengizinkan data Anda di AWS dan mulai berkolaborasi dengan kumpulan data mitra Anda yang disimpan di Snowflake dan AWS tanpa ekstrak, transformasi, dan muat (Zero-ETL). Saat Anda mencocokkan catatan, menjalankan kueri, melatih model ML, atau menghasilkan wawasan prediktif, AWS Clean Rooms membaca data dari tempatnya berada. Saat Anda menggunakan Resolusi Entitas AWS di AWS Clean Rooms, data dasar yang digunakan untuk mengonfigurasi set data yang memetakan antara beberapa pengidentifikasi kolaborator tidak pernah dibagikan atau diungkapkan di antara kolaborator. Saat menggunakan analisis kueri SQL, Anda dapat menentukan aturan dan batasan kueri SQL yang diizinkan pada data Anda, yang secara otomatis diterapkan untuk melindungi data dasar setiap peserta. Misalnya, Anda dapat mengonfigurasi kendala output, seperti ambang batas agregasi minimum. Saat Anda menggunakan ML AWS Clean Rooms, data dasar yang digunakan untuk melatih model atau menghasilkan segmen serupa tidak pernah dibagikan atau diungkapkan di antara kolaborator atau digunakan oleh AWS untuk melatih model.

Akses terprogram penuh

Buka semua

Selain ke Konsol Manajemen AWS, semua fungsionalitas AWS Clean Rooms akan dapat diakses dengan API. Anda akan dapat menggunakan AWS SDK atau Command Line Interface (CLI) untuk mengotomatiskan operasi AWS Clean Rooms, mengintegrasikan fungsionalitas Clean Rooms dalam alur kerja dan produk Anda yang sudah ada, atau membuat versi penawaran kamar bersih Anda sendiri untuk pelanggan.

Peran yang dapat dikonfigurasi

Buka semua

Saat mengatur kolaborasi AWS Clean Rooms, Anda dapat menentukan kemampuan yang berbeda untuk setiap anggota kolaborasi agar sesuai dengan kasus penggunaan kueri SQL spesifik Anda. Misalnya, jika Anda ingin output kueri menuju ke anggota yang berbeda, Anda dapat menunjuk satu anggota sebagai runner kueri SQL yang dapat menulis kueri dan anggota lain sebagai penerima hasil kueri SQL yang dapat menerima hasil. Hal ini memberi kemampuan kepada pencipta kolaborasi untuk memastikan bahwa anggota yang dapat mengueri tidak memiliki akses ke hasil kueri. Saat mengatur kolaborasi, Anda juga dapat mengonfigurasi tanggung jawab pembayaran kueri SQL dan menetapkan anggota yang dipilih untuk ditagih atas biaya komputasi kueri dalam kolaborasi, alih-alih penagihan yang secara otomatis masuk ke runner kueri. Hal ini memberikan fleksibilitas lebih untuk berkolaborasi dengan partner Anda guna menetapkan tanggung jawab SQL, alih-alih menempatkannya pada runner kueri.

Resolusi Entitas AWS di AWS Clean Rooms

Buka semua

Dengan Resolusi Entitas AWS di AWS Clean Rooms, Anda dan kolaborator Anda dapat dengan lebih mudah menyiapkan dan mencocokkan catatan pelanggan terkait, dalam kolaborasi AWS Clean Rooms yang privasinya ditingkatkan. Dengan menggunakan teknik pencocokan berbasis aturan atau penyedia layanan data, Anda dapat meningkatkan pencocokan data untuk kasus penggunaan, seperti pengukuran, penargetan, dan perencanaan kampanye iklan. Anda dapat menggunakan logika atau set data pencocokan yang dapat dikonfigurasi serta ID dari penyedia layanan data tepercaya, seperti LiveRamp, untuk menghubungkan catatan di seluruh perangkat, platform, dan saluran.

PySpark

Buka semua

PySpark di AWS Clean Rooms memungkinkan Anda dan mitra menjalankan analitik canggih di seluruh kumpulan data besar menggunakan PySpark, API Python untuk Apache Spark. Sebagai contoh, penyedia pengukuran iklan dapat menggunakan PySpark di AWS Clean Rooms untuk menjalankan algoritma kustom mereka pada berbagai set data penerbit secara bersamaan guna mengukur efektivitas iklan. Demikian pula, perusahaan farmasi dapat menjalankan algoritma dan pustaka kepemilikan mereka pada berbagai set data penyedia layanan kesehatan, dengan persetujuan pasien yang sesuai, untuk mengevaluasi kepatuhan terhadap obat pada uji klinis, tanpa membagikan data kepemilikan mereka.

SQL Fleksibel

Buka semua

Aturan analisis adalah batasan yang memberi Anda kontrol bawaan tentang cara data Anda dapat dianalisis. Anggota kolaborasi yang membuat atau bergabung ke kolaborasi sebagai pihak yang menjalankan operasi kueri yang ditunjuk dapat menulis kueri untuk menghubungkan dan menganalisis tabel data Anda sesuai aturan analisis yang Anda tetapkan. AWS Clean Rooms mendukung tiga jenis aturan analisis: agregasi, daftar, dan kustom.

Aturan analisis agregasi: Aturan analisis agregasi memungkinkan Anda menjalankan kueri yang menghasilkan statistik agregat, seperti seberapa besar persimpangan dua kumpulan data. Saat menggunakan aturan analisis agregasi, Anda hanya dapat menerapkan bahwa hanya kueri agregasi saja yang dapat dijalankan pada data dan menerapkan pembatasan pada bagian tertentu dari kueri yang berjalan, seperti kolom apa yang harus digunakan dalam pencocokan buta, serta kolom apa yang dapat digunakan dalam agregasi, seperti jumlah, hitungan, atau rata-rata. Anda juga mengontrol batasan agregasi minimum dalam output.  Anda juga dapat menetapkan batasan agregasi minimum yang memungkinkan Anda mengatur kondisi untuk pengembalian baris output. Batasan ini berbentuk COUNT DISTINCT (Column) >= Threshold. Jika baris output dalam hasil kueri tidak memenuhi batasan apa pun, baris tersebut dihapus untuk kumpulan hasil. Hal ini membantu Anda memastikan bahwa ambang batas agregasi minimum diterapkan secara otomatis sekaligus memberikan fleksibilitas kepada kolaborator data yang dapat menulis kueri pilihan mereka.

Aturan analisis daftar: Aturan analisis daftar memungkinkan Anda menjalankan kueri yang mengekstrak daftar tingkat baris dari persimpangan beberapa kumpulan data, seperti tumpang tindih dua kumpulan data. Saat menggunakan aturan analisis daftar, Anda dapat menerapkan bahwa hanya kueri daftar saja yang dapat dijalankan pada data Anda dan menerapkan pembatasan kueri yang berjalan, seperti kolom apa yang harus digunakan dalam pencocokan buta, serta kolom apa yang dapat dikeluarkan sebagai daftar di output.

Aturan analisis kustom: Aturan analisis kustom memungkinkan Anda membuat kueri khusus menggunakan sebagian besar SQL standar ANSI, seperti ekspresi tabel umum (CTE) dan fungsi jendela. Anda juga dapat meninjau dan mengizinkan kueri sebelum partner kolaborasi menjalankannya, dan meninjau kueri kolaborator lain sebelum mereka diizinkan untuk dijalankan di tabel Anda. Saat menggunakan aturan analisis kustom, Anda dapat menggunakan kontrol bawaan untuk menentukan atau membatasi, di awal, cara data dasar Anda dapat dianalisis, alih-alih harus bergantung pada log kueri setelah analisis selesai. Saat Anda menggunakan kueri SQL kustom, Anda juga dapat membuat atau menggunakan templat analisis untuk menyimpan kueri kustom dengan parameter di dalam kolaborasi. Hal ini memungkinkan pelanggan untuk lebih mudah membantu satu sama lain dalam kolaborasi. Misalnya, anggota yang memiliki pengalaman SQL yang lebih tinggi dapat membuat templat untuk ditinjau dan dijalankan oleh anggota lain. Kueri SQL kustom juga memfasilitasi analisis yang dapat digunakan kembali dalam kolaborasi. Anda juga dapat menggunakan Privasi Diferensial AWS Clean Rooms dengan memilih aturan analisis khusus lalu mengonfigurasi parameter privasi diferensial Anda.

AWS Clean Rooms Differential Pri vacy membantu Anda melindungi privasi pengguna Anda dengan kontrol intuitif dan didukung secara matematis dalam beberapa langkah. Privasi diferensial adalah definisi matematis yang ketat dari perlindungan privasi data. Namun, mengonfigurasi teknik ini rumit serta memerlukan pemahaman mendalam tentang teori dan rumus matematis yang cermat untuk menerapkannya secara efektif. Privasi Diferensial AWS Clean Rooms adalah kemampuan AWS Clean Rooms yang intuitif dan terkelola penuh, yang membantu Anda mencegah identifikasi ulang pengguna Anda. Anda tidak perlu memiliki pengalaman privasi berbeda sebelumnya untuk menggunakan kemampuan ini. Privasi Diferensial AWS Clean Rooms mengaburkan kontribusi data individu dari output agregat kolaborasi AWS Clean Rooms, dan membantu Anda menjalankan beragam kueri SQL untuk membuka wawasan tentang kampanye iklan, keputusan investasi, penelitian klinis, dan banyak lagi. Anda dapat mengatur Privasi Diferensial AWS Clean Rooms dengan menerapkan aturan analisis khusus dalam kolaborasi AWS Clean Rooms Anda. Kemudian Anda dapat mengonfigurasi Privasi Diferensial AWS Clean Rooms dengan kontrol yang fleksibel untuk kasus penggunaan bisnis spesifik Anda dan dapat diterapkan hanya dalam beberapa langkah. Privasi Diferensial AWS Clean Rooms memudahkan Anda mengaktifkan privasi diferensial dalam kolaborasi AWS Clean Rooms dengan beberapa pilihan sederhana, semuanya tanpa memerlukan keahlian atau pengaturan tambahan dari partner Anda.

Dengan Builder Analisis, pengguna bisnis bisa mendapatkan wawasan dalam beberapa langkah mudah tanpa harus menulis atau memahami SQL. Anda dapat mengikuti langkah-langkah di antarmuka pengguna terpandu untuk membuat kueri yang sesuai dengan batasan data yang telah ditetapkan setiap kolaborator pada tabelnya berdasarkan kriteria yang disarankan secara otomatis seperti metrik, segmen, dan filter yang terkait dengan set data kolektif Anda. Gunakan Builder Analisis dalam kolaborasi yang memiliki satu atau dua tabel yang dikonfigurasi dengan aturan agregasi atau analisis daftar.

Anda dapat menjalankan kueri AWS Clean Rooms pada data yang dilindungi secara kriptografis. Jika memiliki kebijakan penanganan data yang memerlukan enkripsi data sensitif, Anda dapat mengenkripsi data terlebih dahulu menggunakan kunci enkripsi bersama khusus kolaborasi agar data terenkripsi bahkan saat kueri dijalankan. Komputasi kriptografis memastikan data yang digunakan dalam komputasi kolaboratif tetap terenkripsi baik saat diam, bergerak, maupun saat digunakan (saat sedang diproses).

Cryptographic Computing for Clean Rooms (C3R) adalah Java SDK open source dengan CLI, tersedia di GitHub. Fitur ini tersedia tanpa biaya tambahan. Jika memiliki big data, Anda dapat meninjau dokumentasi untuk melihat cara C3R dapat diintegrasikan ke dalam Apache Spark.

Fitur ini adalah yang terbaru dari berbagai alat komputasi kriptografi AWS yang dibuat untuk membantu Anda memenuhi kebutuhan keamanan dan kepatuhan sambil memungkinkan Anda memanfaatkan fleksibilitas, skalabilitas, kinerja, dan kemudahan penggunaan yang ditawarkan AWS.

ML yang meningkatkan privasi

Buka semua

AWS Clean Rooms ML membantu Anda dan mitra menerapkan pembelajaran mesin (ML) yang meningkatkan privasi untuk menghasilkan wawasan prediktif tanpa harus berbagi data mentah satu sama lain. AWS Clean Rooms ML mendukung pemodelan machine learning (ML) khusus dan mirip. Dengan pemodelan khusus, Anda dapat membawa model khusus untuk pelatihan dan menjalankan inferensi pada set data kolektif, tanpa berbagi data dasar atau kekayaan intelektual di antara kolaborator. Dengan pemodelan yang mirip, Anda dapat menggunakan model yang disusun AWS untuk menghasilkan serangkaian profil serupa yang diperluas berdasarkan sampel kecil profil yang dibawa partner Anda ke kolaborasi.

ML AWS Clean Rooms membantu pelanggan dengan beberapa kasus penggunaan. Misalnya, pengiklan dapat membawa model dan data kepemilikan mereka ke dalam kolaborasi Kamar Bersih, dan mengundang penerbit untuk bergabung dengan data mereka untuk melatih dan menerapkan model ML khusus yang membantu mereka meningkatkan efektivitas kampanye; lembaga keuangan dapat menggunakan catatan transaksi historis untuk melatih model ML khusus, dan mengundang partner ke dalam kolaborasi Kamar Bersih untuk mendeteksi potensi transaksi penipuan; lembaga penelitian dan jaringan rumah sakit dapat menemukan kandidat yang mirip dengan peserta uji klinis yang ada untuk membantu mempercepat studi klinis; serta dan merek dan penerbit dapat memodelkan segmen yang mirip dari pelanggan dalam pasar dan memberikan pengalaman periklanan yang sangat relevan, tanpa salah satu perusahaan berbagi data dasar mereka dengan yang lain.

AWS Clean Rooms ML dibangun dan diuji di berbagai set data, seperti e-commerce dan video streaming, serta dapat membantu Anda 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.

AWS Clean Rooms memungkinkan Anda dan mitra menghasilkan kumpulan data sintetis dari data kolektif Anda untuk melatih model pembelajaran mesin regresi dan klasifikasi (ML). AWS Clean Rooms ML menerapkan kontrol peningkatan privasi untuk membantu melindungi data kepemilikan dan model ML Anda sambil menghasilkan wawasan prediktif. Sebagai kontrol peningkatan privasi, pembuatan kumpulan data sintetis memungkinkan Anda dan mitra Anda membuat kumpulan data pelatihan dengan properti statistik yang serupa dengan aslinya, membuka kasus penggunaan pelatihan model ML baru untuk kumpulan data kolektif yang sebelumnya dibatasi oleh masalah privasi data.

Pembuatan kumpulan data sintetis yang meningkatkan privasi untuk pembelajaran mesin khusus di AWS Clean Rooms ML berfungsi dengan menghilangkan identifikasi subjek—seperti orang atau entitas tentang siapa datanya telah dikumpulkan— dalam data asli, mengurangi risiko bahwa model akan menghafal informasi tentang individu dalam kumpulan data. Proses pembuatan dataset sintetis dioptimalkan untuk membuat kumpulan data yang kompatibel dengan algoritma regresi dan klasifikasi pilihan Anda.