คำถามที่พบบ่อยเกี่ยวกับ AWS Clean Rooms

AWS Clean Rooms ML ช่วยให้คุณและพาร์ทเนอร์ของคุณใช้แมชชีนเลิร์นนิง (ML) ที่ช่วยเพิ่มความเป็นส่วนตัวเพื่อสร้างข้อมูลเชิงลึกเชิงคาดการณ์โดยไม่ต้องแชร์ข้อมูลดิบระหว่างกัน AWS Clean Rooms ML รองรับการสร้างโมเดลแมชชีนเลิร์นนิง (ML) แบบกำหนดเองและโมเดลที่คล้ายกัน ด้วยการสร้างโมเดลแบบกำหนดเอง คุณสามารถนำโมเดลแบบกำหนดเองนี้มาใช้ในการฝึกและเรียกใช้การอนุมานบนชุดข้อมูลรวมโดยไม่ต้องแชร์ข้อมูลพื้นฐานหรือทรัพย์สินทางปัญญาระหว่างผู้ทำงานร่วมกัน ด้วยการสร้างโมเดลที่คล้ายกัน คุณสามารถใช้โมเดลที่เขียนโดย AWS เพื่อสร้างชุดโปรไฟล์ที่คล้ายคลึงกันแบบขยายโดยอิงจากโปรไฟล์ตัวอย่างขนาดเล็กที่พาร์ทเนอร์ของคุณนำมาสู่การทำงานร่วมกัน

AWS Clean Rooms ML ช่วยเหลือลูกค้าโดยมีกรณีการใช้งานที่หลากหลาย ตัวอย่างเช่น ผู้โฆษณาสามารถนำโมเดลและข้อมูลเฉพาะของตนมาสู่การทำงานร่วมกันของ Clean Rooms และเชิญผู้เผยแพร่ให้เข้าร่วมข้อมูลของตนเพื่อฝึกและใช้งานโมเดล ML ที่กำหนดเอง ซึ่งจะช่วยให้เพิ่มประสิทธิภาพแคมเปญได้ สถาบันทางการเงินสามารถใช้บันทึกรายการธุรกรรมในอดีตเพื่อฝึกโมเดล ML ที่กำหนดเอง และเชิญพาร์ทเนอร์เข้าร่วมการทำงานร่วมกันของ Clean Rooms เพื่อตรวจจับธุรกรรมที่อาจเป็นการฉ้อโกง สถาบันวิจัยและเครือข่ายโรงพยาบาลสามารถค้นหาผู้สมัครที่มีลักษณะคล้ายกับผู้เข้าร่วมการทดลองทางคลินิกที่มีอยู่เพื่อช่วยเร่งการศึกษาทางคลินิก และแบรนด์และผู้เผยแพร่สามารถสร้างโมเดลกลุ่มลูกค้าในตลาดที่คล้ายกันและส่งมอบประสบการณ์โฆษณาที่มีความเกี่ยวข้องกัน โดยที่บริษัทใดบริษัทหนึ่งไม่ต้องแชร์ข้อมูลพื้นฐานของตนกับอีกฝ่าย

ด้วยการสร้างโมเดลแบบกำหนดเองของ AWS Clean Rooms ML คุณสามารถนำโมเดล อัลกอริทึม และข้อมูลแมชชีนเลิร์นนิง (ML) ของคุณเองมาสู่ความร่วมมือกับพาร์ทเนอร์ของคุณเพื่อฝึกโมเดล ML และเรียกใช้การอนุมานในชุดข้อมูลแบบรวมโดยไม่ต้องแบ่งปันข้อมูลที่ละเอียดอ่อนหรือโมเดล ML ที่เป็นกรรมสิทธิ์

การสร้างโมเดลแบบกำหนดเองของ AWS Clean Rooms ML สนับสนุนการฝึก ML และเวิร์กโฟลว์การอนุมานของ ML สำหรับเวิร์กโฟลว์ทั้งสอง คุณเริ่มต้นด้วยการกำหนดการสืบค้น AWS Clean Rooms Spark SQL ซึ่งใช้ในการสร้างชุดข้อมูลสำหรับขั้นตอนการฝึกหรือการอนุมาน ชุดข้อมูลกลางจะถูกเก็บไว้ภายในพื้นที่ปลอดภัย และสามารถใช้ได้เฉพาะกับงาน AWS Clean Rooms ML ที่ได้รับอนุมัติเท่านั้น ขั้นตอนที่สองคือการฝึกโมเดลหรือการอนุมานโมเดล ML โมเดลและโค้ด ML ถูกบรรจุในคอนเทนเนอร์อิมเมจ โมเดลที่ผ่านการฝึกสามารถเก็บรักษาไว้ในการทำงานร่วมกันและใช้เป็นส่วนหนึ่งของเวิร์กโฟลว์การอนุมานได้ ด้วย AWS Clean Rooms ML ข้อมูลของคุณจะใช้เพื่อฝึกโมเดลที่กำหนดเองของคุณเท่านั้น และข้อมูลของคุณจะไม่ถูกแชร์ระหว่างผู้ทำงานร่วมกันหรือใช้สำหรับการฝึกโมเดลของ AWS คุณสามารถลบข้อมูลของคุณจาก Clean Rooms ML หรือลบโมเดลที่กำหนดเองได้ทุกเมื่อที่คุณต้องการ และคุณสามารถใช้การควบคุมการเพิ่มความเป็นส่วนตัวเพื่อปกป้องข้อมูลที่ละเอียดอ่อนที่คุณนำมาใช้กับการทำงานร่วมกัน เพื่อใช้การสร้างโมเดลแบบกำหนดเองของ AWS Clean Room ML คุณต้องใช้ Spark SQL เป็นกลไกการวิเคราะห์

ด้วยการสร้างโมเดลที่คล้ายกันของ AWS Clean Rooms ML คุณสามารถใช้โมเดลที่เขียนโดย AWS เพื่อสร้างชุดโปรไฟล์ที่คล้ายคลึงกันที่ขยายขึ้นตามตัวอย่างโปรไฟล์ขนาดเล็กที่พาร์ทเนอร์ของคุณนำมาใช้ในการทำงานร่วมกันในขณะเดียวกันก็ปกป้องคุณและข้อมูลพื้นฐานของพาร์ทเนอร์ของคุณ คุณสามารถเชิญพาร์ทเนอร์ของคุณไปยังพื้นที่ปลอดภัยและใช้โมเดล ML ที่เขียนโดย AWS ซึ่งได้รับการฝึกสําหรับการทํางานร่วมกันแต่ละครั้งเพื่อสร้างชุดข้อมูลที่คล้ายกันในไม่กี่ขั้นตอน ซึ่งช่วยประหยัดเวลาหลายเดือนในการพัฒนาเพื่อสร้าง ฝึก ปรับแต่ง และปรับใช้โมเดลของคุณเอง AWS Clean Rooms ML ถูกสร้างขึ้นและทดสอบในชุดข้อมูลที่หลากหลาย เช่น อีคอมเมิร์ซและการสตรีมวิดีโอ และสามารถช่วยให้ลูกค้าสามารถปรับปรุงความแม่นยําในการสร้างโมเดลที่คล้ายกันได้ถึง 36% เมื่อเทียบกับบรรทัดฐานอุตสาหกรรมที่เป็นตัวแทน ในการประยุกต์ใช้ในโลกแห่งความเป็นจริง เช่น การหาลูกค้าใหม่ การปรับปรุงความแม่นยํานี้สามารถช่วยให้ประหยัดเงินได้หลายล้านดอลลาร์

การปกป้องข้อมูลเริ่มต้นด้วยรากฐานด้านความปลอดภัยของ AWS และ AWS Clean Rooms สร้างขึ้นจากบริการรักษาความปลอดภัยของ AWS รวมถึง AWS Identity และ Access Management (IAM) AWS Key Management Service (KMS) และ AWS CloudTrail สิ่งนี้ช่วยให้คุณสามารถขยายกลยุทธ์การปกป้องข้อมูลที่มีอยู่ไปยังเวิร์กโหลดการทํางานร่วมกันของข้อมูล เมื่อใช้ AWS Clean Rooms คุณก็ไม่จำเป็นต้องจัดเก็บหรือรักษาสำเนาข้อมูลไว้นอกสภาพแวดล้อม AWS ของคุณ และไม่ต้องส่งข้อมูลให้อีกฝ่ายเพื่อวิเคราะห์ข้อมูลเชิงลึกของผู้บริโภค การวัดผลทางการตลาด การคาดการณ์ หรือการประเมินความเสี่ยงอีกต่อไป

เมื่อคุณตั้งค่าการทํางานร่วมกันของ AWS Clean Rooms และใช้การวิเคราะห์ SQL คุณสามารถระบุความสามารถที่แตกต่างกันสําหรับสมาชิกการทํางานร่วมกันแต่ละคนเพื่อให้เหมาะกับกรณีการใช้งานเฉพาะของคุณ ตัวอย่างเช่น ถ้าคุณต้องการให้ผลลัพธ์ของการสืบค้นไปยังสมาชิกอื่น คุณสามารถกําหนดให้สมาชิกคนหนึ่งเป็นตัวเรียกใช้แบบสอบถามที่สามารถเขียนแบบสอบถาม และสมาชิกอีกคนหนึ่งเป็นตัวรับผลลัพธ์การสืบค้นที่สามารถรับผลลัพธ์ได้ วิธีนี้ช่วยให้ผู้สร้างการทํางานร่วมกันสามารถตรวจสอบให้แน่ใจว่าสมาชิกที่สามารถสืบค้นไม่สามารถเข้าถึงผลลัพธ์การสืบค้นได้

AWS Clean Rooms ช่วยคุณปกป้องข้อมูลด้วยการทำให้คุณจำกัดประเภทการสืบค้นหรือการสืบค้นเฉพาะที่สามารถทำในตารางข้อมูลของคุณได้ผ่านการกำหนดค่ากฎการวิเคราะห์ AWS Clean Rooms รองรับกฎการวิเคราะห์ SQL สามประเภท ได้แก่ การรวม รายการ และแบบกําหนดเอง เมื่อใช้กฎการวิเคราะห์แบบรวม คุณสามารถกำหนดค่าตารางให้อนุญาตการสืบค้นที่สร้างสถิติแบบรวมเท่านั้นได้ (เช่น การวัดผลหรือการระบุที่มาของแคมเปญ) เมื่อใช้กฎการวิเคราะห์แบบรายการ คุณสามารถกำหนดค่าการควบคุมให้การสืบค้นสามารถวิเคราะห์ได้แค่จุดร่วมในชุดข้อมูลของคุณกับชุดข้อมูลของสมาชิกที่สืบค้นได้เท่านั้น ด้วยกฎการวิเคราะห์แบบกําหนดเอง คุณสามารถกําหนดค่าตัวควบคุมระดับการสืบค้นเพื่ออนุญาตให้เรียกใช้บัญชีหรือการสืบค้นเฉพาะบนชุดข้อมูลของคุณได้ เมื่อใช้กฎการวิเคราะห์ที่กําหนดเอง คุณสามารถเลือกใช้ Differential Privacy ได้ AWS Clean Rooms Differential Privacy ช่วยคุณปกป้องความเป็นส่วนตัวของผู้ใช้ด้วยการควบคุมที่ได้รับการสนับสนุนทางคณิตศาสตร์และใช้งานง่ายในไม่กี่คลิก ในฐานะความสามารถในการจัดการเต็มรูปแบบของ AWS Clean Rooms คุณไม่จําเป็นต้องมีประสบการณ์ด้านความเป็นส่วนตัวที่แตกต่างมาก่อนเพื่อช่วยคุณป้องกันการระบุตัวตนผู้ใช้ของคุณอีกครั้ง ตัวควบคุมอื่นคือเกณฑ์การรวม ซึ่งป้องกันไม่ให้การสืบค้นเจาะลึกลงไปที่กลุ่มขนาดเล็กที่อาจระบุตัวตนได้อีกครั้ง

เมื่อใช้ AWS Clean Rooms ML ข้อมูลของคุณจะถูกใช้เพื่อฝึกโมเดลของคุณเท่านั้น และจะไม่ใช้สําหรับการฝึกอบรมโมเดลของ AWS AWS Clean Rooms ML ไม่ได้ใช้การฝึกอบรมของบริษัทใดๆ หรือข้อมูลเซ็กเมนต์ที่คล้ายกันกับบริษัทอื่น และคุณสามารถลบโมเดลและข้อมูลการฝึกอบรมได้ทุกเมื่อที่ต้องการ

ไม่ ชุดข้อมูลจะถูกเก็บไว้ในบัญชี AWS ของผู้ทํางานร่วมกัน AWS Clean Rooms จะอ่านข้อมูลจากบัญชีผู้ทํางานร่วมกันชั่วคราวเพื่อเรียกใช้การสืบค้น จับคู่บันทึก ฝึกอบรมโมเดล ML หรือขยาย seed segment ผลลัพธ์ของการวิเคราะห์จะถูกส่งไปยังตําแหน่ง S3 ที่ออกแบบมาสําหรับการวิเคราะห์

AWS Entity Resolution บน AWS Clean Rooms สร้างชุดข้อมูลที่ทำแผนที่ระหว่างตัวระบุของแต่ละฝ่ายในการทำงานร่วมกัน ชุดข้อมูลการทำแผนที่ได้รับการจัดการโดย AWS Clean Rooms ไม่มีสมาชิกในการทำงานร่วมกันสามารถดูหรือดาวน์โหลดตารางการทำแผนที่ได้ หากสมาชิกทุกคนในการทำงานร่วมกันตกลงที่จะผ่อนคลายการบังคับใช้ความเป็นส่วนตัวนี้ ตารางการทำแผนที่สามารถสอบถามในกรณีการใช้งานเฉพาะได้ ฝ่ายใดฝ่ายหนึ่งสามารถลบตารางได้ทุกจุด

โมเดลที่สร้างโดย AWS Clean Rooms ML จะถูกจัดเก็บโดยบริการ สามารถเข้ารหัสด้วยคีย์ AWS KMS ที่จัดการโดยลูกค้า และลูกค้าสามารถลบได้ทุกเมื่อ

การเข้ารหัสและกฎการวิเคราะห์ของ AWS Clean Rooms ทำให้คุณสามารถควบคุมประเภทของข้อมูลที่คุณต้องการแชร์ได้แบบละเอียด ในฐานะผู้ใช้ข้อมูลร่วมกัน คุณต้องรับผิดชอบในการประเมินความเสี่ยงของการทำงานร่วมกันแต่ละรายการ รวมถึงความเสี่ยงในการระบุตัวตนอีกครั้ง และทำการตรวจสอบวิเคราะห์เองเพิ่มเติมเพื่อรับรองการปฏิบัติตามกฎหมายความเป็นส่วนตัวของข้อมูล หากข้อมูลที่คุณแชร์มีความละเอียดอ่อนหรือถูกควบคุม เราแนะนำให้คุณใช้ข้อตกลงทางกฎหมายที่เหมาะสมและวิธีการตรวจสอบเพื่อลดความเสี่ยงด้านความเป็นส่วนตัวเพิ่มเติมด้วย

ใช่ ข้อกำหนดในการให้บริการของ AWS ห้ามกรณีการใช้งานบางอย่างสำหรับการทำงานร่วมกันใน AWS Clean Rooms

ใช่ โปรแกรมการปฏิบัติตามข้อกําหนดของ AWS HIPAA นั้นมีด้วย AWS Clean Rooms เป็นบริการที่เป็นไปตามข้อกำหนด HIPAA หากคุณมีข้อตกลงผู้ร่วมธุรกิจ (BAA) ที่ดําเนินการกับ AWS ตอนนี้คุณสามารถใช้ AWS Clean Rooms เพื่อสร้างการทํางานร่วมกันที่สอดคล้องกับ HIPAA ได้แล้ว หากคุณไม่มี BAA หรือมีคำถามเกี่ยวกับการใช้ AWS สำหรับแอปพลิเคชันที่สอดคล้องกับมาตรฐาน HIPAA โปรดติดต่อเราเพื่อสอบถามข้อมูลเพิ่มเติม

เมื่อต้องการเรียนรู้เพิ่มเติม ให้ดูแหล่งข้อมูลต่อไปนี้:

การปฏิบัติตามข้อกำหนด AWS HIPAA

การประมวลผลบน AWS Cloud ในหน้าการดูแลสุขภาพ

คุณสามารถเลือกใช้เครื่องมือวิเคราะห์ Spark เพื่อเรียกใช้การสืบค้นโดยใช้ภาษา Spark SQL ในการทำงานร่วมกันของ AWS Clean Rooms ได้ AWS Clean Rooms Spark SQL มีขนาดการประมวลผลที่สามารถกำหนดค่าได้ เพื่อให้สามารถควบคุมประสิทธิภาพด้านค่าใช้จ่ายได้มากขึ้นเมื่อเรียกใช้เวิร์กโหลด SQL หากต้องการใช้งานการปกป้องความเป็นส่วนตัวแบบป้องกันการระบุตัวตนของ AWS Clean Rooms หรือใช้กฎการรวมหรือรายการการวิเคราะห์ในการทำงานร่วมกัน คุณจะต้องใช้ SQL เป็นเครื่องมือวิเคราะห์

AWS Clean Rooms Spark SQL ใช้อินสแตนซ์ประเภทเริ่มต้น CR.1X ซึ่งมี 4 vCPU, หน่วยความจำ 30 GB และพื้นที่จัดเก็บ 100 GB คุณสามารถเลือกที่จะจัดสรรทรัพยากรเพิ่มเติมเพื่อเรียกใช้เวิร์กโหลด Spark SQL ของคุณได้โดยการเลือกประเภทอินสแตนซ์ CR.4X ที่ใหญ่กว่า ซึ่งมี 16 vCPU, หน่วยความจำ 120 GB และพื้นที่จัดเก็บข้อมูล 400 GB ขนาดอินสแตนซ์ที่ใหญ่ขึ้นจะเป็นประโยชน์ต่อเวิร์กโหลด SQL ที่ประมวลผลข้อมูลจำนวนมากและดำเนินการวิเคราะห์ที่ซับซ้อน ซึ่งจะช่วยกระจายปริมาณงานไปยังทรัพยากรจำนวนที่มากขึ้นได้ เรียนรู้เพิ่มเติมเกี่ยวกับ vCPU หน่วยความจำ และพื้นที่เก็บข้อมูลที่เกี่ยวข้องสำหรับการกำหนดค่าแต่ละรายการที่นี่

ในกฎการวิเคราะห์ SQL คุณจะสามารถกำหนดค่าการควบคุมในระดับคอลัมน์ ที่ช่วยให้คุณกำหนดได้ว่าจะใช้แต่ละคอลัมน์ในการสืบค้นได้อย่างไร ตัวอย่างเช่น คุณสามารถระบุได้ว่าคอลัมน์ใดสามารถใช้เพื่อคำนวณสถิติแบบรวมได้ (เช่น SUM(price)) และคอลัมน์ใดสามารถใช้เพื่อรวมตารางของคุณเข้ากับสมาชิกคนอื่น ๆ ที่ทำงานร่วมกันได้ ในกฎการวิเคราะห์แบบรวม คุณสามารถกำหนดเกณฑ์การรวมขั้นต่ำที่แถวเอาต์พุตแต่ละแถวจะต้องเป็นไปตามเกณฑ์นั้นได้ด้วย และ AWS Clean Rooms จะกรองแถวที่ไม่เป็นไปตามเกณฑ์ขั้นต่ำออกโดยอัตโนมัติ

ใช่ คุณจะกำหนดค่า AWS Clean Rooms ให้เผยแพร่ข้อมูลบันทึกที่ทำการสืบค้นใน Amazon CloudWatch Logs ได้ ด้วยกฎการวิเคราะห์แบบกําหนดเอง คุณยังสามารถตรวจทานการสืบค้น (จัดเก็บไว้ในเทมเพลตการวิเคราะห์) ก่อนที่จะเรียกใช้ในการทํางานร่วมกันได้อีกด้วย 

ความเป็นส่วนตัวที่แตกต่างเป็นเฟรมเวิร์กที่ผ่านการพิสูจน์ทางคณิตศาสตร์แล้วเพื่อช่วยในการคุ้มครองความเป็นส่วนตัวของข้อมูล ประโยชน์หลักที่อยู่เบื้องหลังความเป็นส่วนตัวที่แตกต่างกันคือการช่วยปกป้องข้อมูลในระดับบุคคล โดยการเพิ่มจํานวนการสุ่มที่ควบคุม - เสียงรบกวน - เพื่อปิดบังการมีหรือไม่มีบุคคลใดบุคคลหนึ่งในชุดข้อมูลที่กําลังวิเคราะห์

AWS Clean Rooms Differential Privacy ช่วยคุณปกป้องความเป็นส่วนตัวของผู้ใช้ด้วยการควบคุมที่ได้รับการสนับสนุนทางคณิตศาสตร์และใช้งานง่ายในไม่กี่คลิก ในฐานะความสามารถในการจัดการเต็มรูปแบบของ AWS Clean Rooms คุณไม่จําเป็นต้องมีประสบการณ์ด้านความเป็นส่วนตัวที่แตกต่างมาก่อนเพื่อช่วยคุณป้องกันการระบุตัวตนผู้ใช้ของคุณอีกครั้ง AWS Clean Rooms Differential Privacy ทําให้การมีส่วนร่วมของข้อมูลของบุคคลใดๆ สับสนในการสร้างข้อมูลเชิงลึกโดยรวมในการทํางานร่วมกัน เพื่อให้คุณสามารถเรียกใช้การสืบค้น SQL ที่หลากหลายเพื่อสร้างข้อมูลเชิงลึกเกี่ยวกับแคมเปญโฆษณา การตัดสินใจลงทุน การวิจัยทางคลินิก และอื่นๆ

คุณสามารถเริ่มใช้ AWS Clean Rooms Differential Privacy ได้เพียงไม่กี่ขั้นตอนหลังจากเริ่มต้น หรือเข้าร่วมการทํางานร่วมกันใน AWS Clean Rooms ในฐานะสมาชิกที่มีความสามารถในการให้ข้อมูล หลังจากที่คุณสร้างตารางที่กําหนดค่าแล้ว ซึ่งเป็นการอ้างอิงถึงตารางของคุณในแค็ตตาล็อกข้อมูลของ AWS Glue คุณเพียงแค่เลือกที่จะเปิดความเป็นส่วนตัวที่แตกต่างในขณะที่เพิ่มกฎการวิเคราะห์แบบกําหนดเองลงในตารางที่กําหนดค่าไว้เมื่อใช้กลไกการวิเคราะห์ SQL จากนั้น คุณจะเชื่อมโยงตารางที่กําหนดค่าไว้กับการทํางานร่วมกันของ AWS Clean Rooms และกําหนดค่านโยบายความเป็นส่วนตัวที่แตกต่างกันในการทํางานร่วมกันเพื่อทําให้ตารางของคุณพร้อมใช้งานสําหรับการสืบค้น คุณสามารถใช้นโยบายเริ่มต้นเพื่อตั้งค่าให้เสร็จสมบูรณ์อย่างรวดเร็ว หรือปรับให้ตรงกับความต้องการเฉพาะของคุณ หากต้องการใช้การปกป้องความเป็นส่วนตัวแบบป้องกันการระบุตัวตนของ AWS Clean Rooms ในการทำงานร่วมกัน คุณจะต้องใช้ SQL เป็นเครื่องมือวิเคราะห์

เมื่อตั้งค่า AWS Clean Rooms Differential Privacy แล้ว พาร์ทเนอร์การทํางานร่วมกันของคุณสามารถเริ่มเรียกใช้การสืบค้นบนตารางของคุณได้โดยไม่ต้องมีความเชี่ยวชาญในแนวคิดความเป็นส่วนตัวที่แตกต่างหรือการตั้งค่าเพิ่มเติมจากพาร์ทเนอร์ของพวกเขา ด้วย AWS Clean Rooms Differential Privacy ผู้เรียกใช้การสืบค้นสามารถเรียกใช้การวิเคราะห์แบบกําหนดเองและยืดหยุ่น รวมถึงรูปแบบการสืบค้นที่ซับซ้อนด้วยนิพจน์ตารางทั่วไป (CTE) และฟังก์ชันรวมที่ใช้กันทั่วไป เช่น COUNT และ SUM

การประมวลผลแบบเข้ารหัสคือวิธีการปกป้องและเข้ารหัสข้อมูลที่ละเอียดอ่อนขณะที่กำลังใช้งานข้อมูล โดยสามารถเข้ารหัสข้อมูลได้เมื่อไม่มีการใช้ข้อมูลขณะจัดเก็บข้อมูล เมื่อมีการเคลื่อนย้ายข้อมูลขณะส่งข้อมูล และเมื่อกำลังใช้ข้อมูล การเข้ารหัสหมายถึงการแปลงข้อมูลที่เป็นข้อความธรรมดาให้กลายเป็นข้อมูลแบบเข้ารหัสที่ไม่สามารถถอดรหัสได้หากไม่มี “คีย์” เฉพาะ จุดตัดชุดข้อมูลส่วนตัว (PSI) คือการประมวลผลแบบเข้ารหัสประเภทหนึ่งที่ทำให้ผู้ที่มีชุดข้อมูลตั้งแต่สองรายขึ้นไปสามารถเปรียบเทียบข้อมูลเวอร์ชันเข้ารหัสได้เพื่อทำการประมวลผล การเข้ารหัสเกิดขึ้น ณ ที่นั้นโดยใช้คีย์ลับร่วมของผู้ร่วมงาน C3R พร้อมใช้งานสำหรับทั้งกลไกการวิเคราะห์ Spark SQL หรือกลไกการวิเคราะห์ SQL

AWS Clean Rooms มี Cryptographic Computing for Clean Rooms (C3R) อยู่ด้วย ซึ่งให้ตัวเลือกในการเข้ารหัสข้อมูลล่วงหน้าโดยใช้เครื่องมือการเข้ารหัสฝั่งไคลเอ็นต์ ซึ่งก็คือ SDK หรืออินเทอร์เฟซบรรทัดคำสั่ง (CLI) ที่ใช้คีย์ลับร่วมกับผู้เข้าร่วมคนอื่นในการทำงานร่วมกันใน AWS Clean Rooms วิธีนี้จะเข้ารหัสข้อมูลขณะกำลังสืบค้นข้อมูล