Fitur AWS Clean Rooms

Dengan AWS Clean Rooms, Anda dapat berkolaborasi dengan ratusan ribu perusahaan yang telah menggunakan AWS dengan mudah tanpa perlu mempertahankan salinan data Anda di luar lingkungan AWS atau memuatnya ke platform lain. Setelah Anda membuat atau bergabung dalam sebuah kolaborasi, Anda dapat mengonfigurasi tabel data Anda dari Katalog Data AWS Glue. Saat Anda menjalankan kueri, melatih model ML, atau menghasilkan wawasan prediktif, AWS Clean Rooms membaca data dari tempatnya berada. 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.

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

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 pertemuan dua set 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 set 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 untuk menjalankan kueri yang mengekstraksi daftar tingkat baris pertemuan beberapa set data, seperti tumpang tindih antara dua set 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 kustom 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.

Privasi Diferensial AWS Clean Rooms membantu Anda melindungi privasi pengguna Anda dengan kontrol yang didukung secara matematis dan intuitif 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.

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.

Dengan Builder Analisis, pengguna bisnis dapat memperoleh 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 Analysis Builder dalam kolaborasi yang memiliki satu atau dua tabel yang dikonfigurasi dengan aturan analisis daftar atau agregasi.

ML AWS Clean Rooms membantu Anda dan partner Anda menerapkan ML yang meningkatkan privasi untuk menghasilkan wawasan prediktif tanpa harus berbagi data mentah satu sama lain. Model pertama dari kemampuan ini dikhususkan untuk membantu perusahaan membuat segmen yang mirip. Dengan pemodelan serupa ML AWS Clean Rooms, Anda dapat melatih model kustom Anda sendiri menggunakan data Anda dan mengundang partner Anda untuk membawa sampel kecil catatan mereka ke kolaborasi untuk menghasilkan set catatan serupa yang diperluas sekaligus melindungi data dasar Anda dan partner. Pemodelan layanan kesehatan akan tersedia dalam beberapa bulan mendatang.

Dengan ML AWS Clean Rooms, Anda mempertahankan kontrol penuh dan kepemilikan model terlatih Anda, termasuk kapan menggunakannya untuk menghasilkan segmen serupa dengan partner Anda, atau kapan harus menghapusnya. 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. Misalnya, maskapai penerbangan dapat menggunakan data tentang pelanggannya, berkolaborasi dengan layanan pemesanan online, dan mengidentifikasi calon pelancong dengan karakteristik serupa, tanpa saling berbagi data dasar dengan perusahaan lain mana pun. ML AWS Clean Rooms menghilangkan kebutuhan untuk berbagi data untuk membangun, melatih, dan melakukan deployment model ML dengan partner Anda.

ML AWS Clean Rooms 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.

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).

Komputasi Kriptografis untuk Clean Rooms (C3R) adalah sebuah SDK Java sumber terbuka dengan CLI, yang 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 merupakan rangkaian alat komputasi kriptografis AWS terbaru yang dibangun untuk membantu memenuhi kebutuhan keamanan dan kepatuhan, sekaligus memungkinkan Anda memanfaatkan fleksibilitas, skalabilitas, performa, dan kemudahan penggunaan yang ditawarkan AWS.