AWS Clean Rooms のよくある質問

AWS Clean Rooms ML により、お客様とパートナーがプライバシー強化機械学習 (ML) を適用して、互いに未加工データを共有せずに予測的なインサイトを生成できるようになります。AWS Clean Rooms ML は、カスタムおよびルックアライクの機械学習 (ML) モデリングをサポートしています。カスタムモデリングを使用すると、基礎となるデータや知的財産を共同作業者間で共有することなく、トレーニング用のカスタムモデルを持ち込み、集合データセットに対して推論を実行できます。ルックアライクモデリングでは、AWS が作成したモデルを使用して、パートナーがコラボレーションに持ち込む少量のプロファイルサンプルに基づいて、類似のプロファイルの拡張セットを生成できます。

AWS Clean Rooms ML は、複数のユースケースでお客様をサポートします。たとえば、広告主は独自のモデルとデータを Clean Rooms のコラボレーションに持ち込み、パブリッシャーに自社のデータを組み合わせて、キャンペーンの効果を高めるカスタム ML モデルのトレーニングとデプロイを依頼します。金融機関は、過去の取引記録を使用してカスタム ML モデルをトレーニングしたり、不正の可能性のある取引を検出するために Clean Rooms のコラボレーションにパートナーを招待したりできます。研究機関や病院ネットワークは、臨床試験を加速させるために、既存の臨床試験参加者に似た候補者を見つけることができます。ブランドとパブリッシャーは、市場内の顧客の類似セグメントをモデル化し、関連性の高い広告エクスペリエンスを提供することができ、どちらの企業も基盤となるデータを他方と共有する必要はありません。

AWS Clean Rooms ML のカスタムモデリングを使用すると、独自の機械学習 (ML) モデル、アルゴリズム、およびデータをパートナーとのコラボレーションに持ち込んで、機密データや独自の ML モデルを共有しなくても、集合データセットに対して ML モデルのトレーニングや推論を実行を行うことができます。

AWS Clean Rooms ML のカスタムモデリングは ML トレーニングと ML 推論ワークフローをサポートします。どちらのワークフローでも、トレーニングまたは推論ステップのデータセットを生成するために使用される AWS Clean Rooms Spark SQL クエリを定義することから始めます。中間データセットはクリーンルームコラボレーション内に保持され、承認された AWS Clean Rooms ML タスクにのみ使用できます。2 番目のステップは ML モデルトレーニングまたは推論です。ML モデルとコードはコンテナイメージにパッケージ化されます。トレーニング済みのモデルは、コラボレーションで保持し、推論ワークフローの一部として使用できます。AWS Clean Rooms ML では、データはカスタムモデルのトレーニングにのみ使用され、データは共同作業者間で共有されたり、AWS モデルトレーニングに使用されたりすることはありません。いつでも Clean Rooms ML からデータを削除したり、カスタムモデルを削除したりできます。また、プライバシーが強化されたコントロールを適用して、コラボレーションに持ち込む機密データを保護できます。AWS Clean Room ML のカスタムモデリングを適用するには、分析エンジンとして Spark SQL を使用する必要があります。

AWS Clean Rooms ML のルックアライクモデリングでは、AWS が作成したモデルを使用して、あなたとパートナーの基盤となるデータを保護しながら、パートナーがコラボレーションに持ち込んだプロファイルの小さなサンプルに基づいて類似プロファイルの拡張セットを生成できます。パートナーをクリーンルームに招待し、各コラボレーションに対してトレーニングされる AWS が作成した ML モデルを適用して数ステップで類似データセットを生成できるため、独自のモデルを構築、トレーニング、調整、デプロイするために数か月間かけて開発作業に取り組む必要がありません。e コマースやストリーミング動画などのさまざまなデータセットで構築およびテストされている AWS Clean Rooms ML のルックアライクモデリングは、類似モデリングの精度を、代表的な業界ベースラインと比較して最大 36% 向上させることができます。新規顧客のプロスペクティング活動などの実際の適用場面では、この精度の改善は、数百万 USD のコスト削減につながる場合があります。

データ保護は AWS のセキュリティ基盤から始まり、AWS Clean Rooms は AWS Identity and Access Management (IAM)、AWS Key Management Service (KMS)、AWS CloudTrail などの AWS セキュリティサービスの上に構築されています。これにより、既存のデータ保護戦略をデータコラボレーションのワークロードにまで拡張できます。AWS Clean Rooms を使用すると、AWS 環境の外部にデータのコピーを保持しておき、他の団体に送信して、消費者のインサイト、マーケティングの測定、予測、リスク評価のために分析を実行する必要がなくなります。

AWS Clean Rooms コラボレーションを設定し、SQL 分析を使用する場合、ユースケースに合わせて、コラボレーションメンバーごとに何が行えるかを指定できます。例えば、クエリの出力を別のメンバーに送る場合は、あるメンバーをクエリを記述できるクエリ実行者として指定し、別のメンバーを結果を受け取ることができるクエリ結果レシーバーとして指定できます。これにより、コラボレーションの作成者は、クエリを実行できるメンバーがクエリ結果にアクセスできないようにすることができます。

AWS Clean Rooms には SQL クエリコントロールもあり、分析ルール設定により、データテーブルで実行するクエリの種類や特定のクエリを制限できます。AWS Clean Rooms は、集計、リスト、カスタムの 3 種類の SQL 分析ルールをサポートします。集計分析ルールを使用すると、集計による統計 (キャンペーン測定やアトリビューションなど) を生成するクエリのみを許可するようにテーブルを設定できます。リスト分析ルールを使用すると、お客様のデータセットと、クエリを実行可能なメンバーのデータセットとの関係の分析のみをクエリで実行するように制御を設定できます。カスタム分析ルールを使用すると、特定のアカウントまたはクエリをデータセットで実行できるようにクエリレベルの制御を設定できます。カスタム分析ルールを使用する場合、Differential Privacy の使用を選択できます。AWS Clean Rooms Differential Privacy では、数学的に裏付けられた直感的なコントロールを数クリックで行うことができるため、ユーザーのプライバシーを保護できます。AWS Clean Rooms のフルマネージド機能であるため、ユーザーの再識別を防ぐために、事前の差分プライバシーの経験は必要ありません。もう 1 つの制御は、集約しきい値です。これにより、クエリが再識別可能な小さなグループに絞り込まれることがなくなります。

AWS Clean Rooms ML では、データはお客様のモデルのトレーニングにのみ使用されます。AWS モデルのトレーニングに使用されることはありません。AWS Clean Rooms ML は、どの会社のトレーニングデータや類似セグメントデータも他の企業と併用しないため、モデルやトレーニングデータはいつでも削除できます。

いいえ。データセットは共同作業者の AWS または Snowflake データレイクに保存され、移動されません。AWS Clean Rooms は、クエリの実行、レコードの照合、ML モデルのトレーニング、シードセグメントの拡張を実行するために、コラボレーション参加者のアカウントから一時的にデータを読み取ります。分析の結果は、分析用に設計された S3 ロケーションに送信されます。データレイクから読み取られたデータは、コラボレーションプロセス中に AWS に永続的に保存されることはなく、AWS Clean Rooms 環境に一時的に読み込まれたデータはクエリの完了時に削除されます。

AWS Clean Rooms の AWS Entity Resolution は、コラボレーションにおける各当事者の識別子をマッピングするデータセットを生成します。マッピングデータセットは AWS Clean Rooms によって管理されます。コラボレーションのメンバーは、マッピングテーブルを表示またはダウンロードできません。コラボレーションのすべてのメンバーがこのプライバシーの適用を緩和することに同意した場合、特定のユースケースについてマッピングテーブルにクエリを実行できます。どちらの当事者も、いつでもテーブルを削除できます。

AWS Clean Rooms ML によって生成されたモデルは、サービスによって保存され、お客様が管理する AWS KMS キーで暗号化できます。また、お客様はいつでも削除できます。

AWS Clean Rooms の暗号化と分析ルールでは、共有する情報の種類を詳細に管理することができます。データのコラボレーション参加者は、あらゆるデータプライバシー関連法令を確実に遵守するため、再特定のリスクなどの各コラボレーションにおけるリスクを評価し、独自の追加的なデューデリジェンスを実施する責任を負います。機密性が高いデータや規制対象データを共有する場合は、適切な法的合意を取り、監査体制を導入して、プライバシーのリスクをさらに低減することをお勧めします。

はい。AWS サービス規約では、AWS Clean Rooms でのコラボレーションについて、一部のユースケースを禁止しています。

はい。AWS HIPAA コンプライアンスプログラムには、AWS Clean Rooms が HIPAA 対応サービスとして含まれています。AWS と事業提携契約 (BAA) を締結している場合は、AWS Clean Rooms を使用して HIPAA 準拠のコラボレーションを作成できるようになりました。BAA を締結していない場合、またはお使いの HIPAA 準拠アプリケーションへの AWS の使用に関してご質問がある場合は、詳細をお問い合わせください。

詳細については、以下のリソースをご覧ください。

AWS HIPAA コンプライアンスページ

ヘルスケアにおける AWS クラウドコンピューティングページ

Spark 分析エンジンを使用して、AWS Clean Rooms コラボレーションで Spark SQL ダイアレクトを使用してクエリを実行することを選択できます。AWS Clean Rooms Spark SQL には設定可能なコンピューティングサイズがあり、SQL ワークロードを実行する際のコストパフォーマンスをより細かく制御できます。AWS Clean Rooms Differential Privacy を適用したり、コラボレーションで集計またはリスト分析ルールを使用したりするには、SQL を分析エンジンとして使用する必要があります。

AWS Clean Rooms Spark SQL は、4 個の vCPU、30 GB のメモリ、100 GB のストレージを備えたデフォルトのインスタンスタイプ CR.1X を使用しています。16 個の vCPU、120 GB のメモリ、400 GB のストレージを備えた、より大きな CR.4X インスタンスタイプを選択すると、Spark SQL ワークロードの実行により多くのリソースを割り当てることができます。インスタンスサイズが大きいと、大量のデータを処理して複雑な分析を実行する SQL ワークロードにメリットがあり、より多くのリソースにワークロードを分散するのに役立ちます。各設定に関連する vCPU、メモリ、ストレージの詳細については、こちらをご覧ください。

SQL 分析ルールでは、列レベルの制御を設定できます。これはクエリで各列をどのように使用するかを定義するのに役立ちます。例えば、集計の統計 (SUM(料金) など) を計算するために使用する列や、他のコラボレーションメンバーとテーブルを連結するために使用する列を指定できます。集計分析ルールでは、各出力行が満たす必要がある最小集計しきい値を定義することもできます。最小しきい値に達しない行は、AWS Clean Rooms で自動的に除外されます。

はい。AWS Clean Rooms で、Amazon CloudWatch Logs にクエリログを発行するように設定できます。カスタム分析ルールを使用すると、コラボレーションで実行する前に (分析テンプレートに保存されている) クエリをレビューすることもできます。 

差分プライバシーは、データプライバシー保護に役立つ数学的に証明されたフレームワークです。差分プライバシーの背後にある主な利点は、分析対象のデータセット内の特定の個人の有無を不明瞭にするため、制御された量のランダム性 (ノイズ) を追加することで、個人レベルでデータを保護できることです。

AWS Clean Rooms Differential Privacy では、数学的に裏付けられた直感的なコントロールを数クリックで行うことができるため、ユーザーのプライバシーを保護できます。AWS Clean Rooms のフルマネージド機能であるため、ユーザーの再識別を防ぐために、事前の差分プライバシーの経験は必要ありません。AWS Clean Rooms Differential Privacy は、コラボレーションにおける集約的なインサイトの生成における個人のデータの寄与をわかりにくくします。これにより、幅広い SQL クエリを実行して、広告キャンペーン、投資の決定、臨床研究などに関するインサイトを生成できます。

AWS Clean Rooms Differential Privacy は、データを提供できるメンバーとして AWS Clean Rooms コラボレーションを開始または参加した後、わずか数ステップで使用を開始できます。AWS Glue データカタログ内のテーブルを参照する設定済みのテーブルを作成したら、SQL 分析エンジンを使用する際に、設定したテーブルにカスタム分析ルールを追加するときに、差分プライバシーを有効にするだけです。次に、設定したテーブルを AWS Clean Rooms コラボレーションに関連付け、コラボレーションで差分プライバシーポリシーを設定して、テーブルをクエリに使用できるようにします。デフォルトポリシーを使用してセットアップをすばやく完了したり、特定の要件に合わせてカスタマイズしたりできます。 AWS Clean Rooms Differential Privacy をコラボレーションに適用するには、Amazon S3 に保存されたデータとSQL を分析エンジンとして使用する必要があります。

AWS Clean Rooms Differential Privacy が設定されると、コラボレーションパートナーは、ユーザーのテーブルに対してクエリを実行できるようになります。差分プライバシーの概念に関する専門知識やパートナーからの追加設定は不要です。AWS Clean Rooms Differential Privacy を使用すると、クエリ実行者は、共通のテーブル式 (CTE) や、COUNT や SUM などの一般的に使用される集計関数を使用した複雑なクエリパターンなど、カスタムで柔軟な分析を実行できます。

暗号コンピューティングとは、機密性が高いデータを使用中に保護および暗号化する手法です。保存中、転送のための移動中、使用中にデータを暗号化できます。暗号化とは、プレーンテキストのデータを変換し、特定の「キー」がなければ解読できないようにエンコードすることを意味します。 プライベートセットインターセクション (PSI) は暗号コンピューティングの一種です。これにより、データセットを所有する 2 つ以上の団体が暗号化されたデータを比較し、計算を実行することができます。暗号化は、参加者の共有秘密キーにより、オンプレミスで実行されます。 C3R は Spark SQL 分析エンジンと SQL 分析エンジンの両方で使用できます。

AWS Clean Rooms には、クリーンルーム用暗号コンピューティング (C3R) が含まれます。これは、クライアント側の暗号化ツール (SDK またはコマンドラインインターフェイス (CLI)) を使用して事前に暗号化を行うデータに提供されるオプションで、AWS Clean Rooms コラボレーションの他の参加者が共有する秘密キーを使用します。これでクエリの実行時にデータが暗号化されます。