AWS Clean Rooms 기능

AWS Clean Rooms를 사용하면 원시 데이터를 이동하거나 공유할 필요 없이 다자간 데이터에 대해 쉽게 협업할 수 있습니다. AWS에 있는 데이터를 직접 허용하고 제로 ETL(추출, 전환, 적재)로 Snowflake 및 AWS에 저장된 파트너의 데이터세트를 사용하여 협업을 시작할 수 있습니다. AWS Clean Rooms는 기록을 매칭하거나 쿼리를 실행하거나 ML 모델을 훈련시키거나 예측 인사이트를 생성할 때 데이터가 있는 위치에서 데이터를 읽습니다. AWS Clean Rooms에서 AWS Entity Resolum을 사용할 때 여러 공동 작업자 ID에 걸쳐 매핑되는 데이터 세트 구성용 기본 데이터는 공동 작업자 간에 공유되거나 공개되지 않습니다. SQL 쿼리 분석을 사용하는 경우 각 참가자의 기본 데이터를 보호하기 위해 자동으로 적용되는 데이터에 허용되는 규칙 및 SQL 쿼리 제한을 지정할 수 있습니다. 예를 들어, 최소 집계 임계값과 같은 출력 제약 조건을 구성할 수 있습니다. AWS Clean Rooms ML을 사용하는 경우, 모델을 훈련시키거나 유사 세그먼트를 생성하는 데 사용되는 기본 데이터는 공동 작업자 간에 공유 또는 공개되지 않으며, AWS에서 모델을 훈련시키는 데 사용되지 않습니다.

AWS Clean Rooms에서 AWS Entity Resolution을 사용하면 사용자와 공동 작업자가 개인 정보 보호가 강화된 AWS Clean Rooms 협업을 통해 관련 고객 기록을 더 쉽게 준비하고 매칭할 수 있습니다. 규칙 기반 또는 데이터 서비스 공급자 기반 매칭 기술을 사용하여 광고 캠페인 계획, 타겟팅, 측정 등의 사용 사례에 대한 데이터 매칭을 개선할 수 있습니다. LiveRamp와 같이 신뢰할 수 있는 데이터 서비스 공급업체의 구성 가능한 매칭 로직 또는 데이터세트 및 ID를 사용하여 장치, 플랫폼, 채널 전반에서 기록을 연결할 수 있습니다.

분석 규칙은 데이터 분석 방법을 기본적으로 제어할 수 있는 제한 사항입니다. 지정된 쿼리 실행자로 협업을 생성하거나 협업에 참여하는 협업 멤버는 사용자가 설정한 분석 규칙에 따라 데이터 테이블을 교차하고 분석하는 쿼리를 작성할 수 있습니다. AWS Clean Rooms는 세 가지 유형의 분석 규칙, 즉 집계, 목록 및 사용자 지정을 지원합니다.

집계 분석 규칙: 집계 분석 규칙을 사용하면 두 데이터 세트의 교집합 크기와 같은 집계 통계를 생성하는 쿼리를 실행할 수 있습니다. 집계 분석 규칙을 사용할 때 데이터에 대해 집계 쿼리만 실행할 수 있도록 하고 블라인드 일치에서만 사용해야 하는 열과 합계, 개수, 평균 등의 집계에 사용할 수 있는 열과 같이 실행되는 쿼리의 특정 부분에 대한 제한 사항을 적용할 수 있습니다. 또한 출력의 최소 집계 제약 조건을 제어할 수도 있습니다.  출력 행 반환 조건을 설정할 수 있는 최소 집계 제약 조건을 설정할 수도 있습니다. 이러한 제약 조건은 COUNT DISTINCT (Column) >= Threshold 형식입니다. 쿼리 결과의 출력 행이 제약 조건을 충족하지 않는 경우 결과 집합에서 출력 행이 제거됩니다. 이를 통해 최소 집계 임계값이 자동으로 적용되도록 하는 동시에 데이터 협업자가 원하는 쿼리를 작성할 수 있는 유연성을 제공할 수 있습니다.

목록 분석 규칙: 목록 분석 규칙을 사용하면 두 데이터 세트의 겹침과 같은 여러 데이터 세트 교집합의 행 수준 목록을 추출하는 쿼리를 실행할 수 있습니다. 목록 분석 규칙을 사용할 때 데이터에 대해 목록 쿼리만 실행할 수 있도록 하고, 블라인드 매치에서만 사용해야 하는 열, 출력에서 목록으로 출력할 수 있는 열 등 실행되는 쿼리의 제한 사항을 적용할 수 있습니다.

사용자 지정 분석 규칙: 사용자 지정 분석 규칙을 사용하면 CTE(일반 테이블 표현식) 및 창 함수와 같은 대부분의 ANSI 표준 SQL을 사용하여 사용자 지정 쿼리를 만들 수 있습니다. 또한, 협업 파트너가 쿼리를 실행하기 전에 쿼리를 검토 및 허용하고, 다른 협업자의 쿼리를 테이블에서 실행하기 전에 검토할 수도 있습니다. 사용자 지정 분석 규칙을 사용할 때 기본 제공 제어로 사용하여 분석 완료 후 쿼리 로그에 의존할 필요 없이 기본 데이터를 분석할 수 있는 방법을 미리 결정하거나 제한할 수 있습니다. 사용자 지정 SQL 쿼리를 사용할 때 분석 템플릿을 생성하거나 사용하여 협업에 파라미터와 함께 사용자 지정 쿼리를 저장할 수도 있습니다. 고객은 이를 통해 협업에서 더 쉽게 서로 도울 수 있습니다. 예를 들어 SQL 경험이 많은 멤버는 다른 멤버가 검토하고 실행할 수 있도록 템플릿을 만들 수 있습니다. 또한, 협업에서 재사용 가능한 분석이 용이해집니다. 또한, 사용자 지정 분석 규칙을 선택한 다음 차등 개인정보보호 파라미터를 구성하여 AWS Clean Rooms Differential Privacy를 사용할 수도 있습니다.

AWS Clean Rooms Differential Privacy를 사용하면 몇 단계로 수학적으로 뒷받침되는 직관적인 제어를 통해 사용자의 개인 정보를 보호할 수 있습니다. 차등 개인정보보호는 데이터 개인정보보호에 대한 엄격한 수학적 정의입니다. 하지만 이 기법을 구성하는 것은 복잡하고 이론에 대한 심층적인 이해와 더불어 이를 효과적으로 적용하기 위한 수학적으로 엄격한 공식이 필요합니다. AWS Clean Rooms Differential Privacy는 AWS Clean Rooms의 직관적인 완전관리형 기능으로, 사용자의 재식별을 방지하는 데 유용합니다. 이 기능은 이전에 차등 개인정보보호 경험이 없어도 사용할 수 있습니다. AWS Clean Rooms Differential Privacy는 AWS Clean Rooms 협업 집계 결과에서 개별 데이터의 기여도를 난독화합니다. 그리고 광범위한 SQL 쿼리를 실행하여 광고 캠페인, 투자 결정, 임상 연구 등에 대한 인사이트를 얻을 수 있도록 지원합니다. AWS Clean Rooms 협업에 사용자 지정 분석 규칙을 적용해 AWS Clean Rooms Differential Privacy를 설정할 수 있습니다. 그런 다음 특정 비즈니스 사용 사례에 유연하고 몇 단계만 거치면 적용할 수 있는 제어 기능을 사용하여 AWS Clean Rooms Differential Privacy를 구성할 수 있습니다. AWS Clean Rooms Differential Privacy를 사용하면 파트너의 추가적인 전문 지식이나 설정을 수행하지 않고도 몇 가지 간단한 선택만으로 AWS Clean Rooms 협업에서 차등 개인정보보호를 쉽게 활성화할 수 있습니다.

AWS Clean Rooms 협업을 설정할 때 특정 SQL 쿼리 사용 사례에 맞게 각 협업 멤버별로 다른 기능을 지정할 수 있습니다. 예를 들어, 쿼리 출력을 다른 멤버로 보내려면 한 멤버를 쿼리를 작성할 수 있는 SQL 쿼리 실행자로 지정하고 다른 멤버를 결과를 수신할 수 있는 SQL 쿼리 결과 수신자로 지정하면 됩니다. 이를 통해 협업 생성자가 쿼리할 수 있는 구성원이 쿼리 결과에 접근하지 못하도록 할 수 있습니다. 협업을 설정할 때 SQL 쿼리 결제 책임을 구성하고, 쿼리 실행자에게 자동으로 청구되는 대신 선택한 멤버에게 지정하여 협업의 쿼리 컴퓨팅 비용이 청구되도록 할 수도 있습니다. 이러한 기능 덕분에 파트너와 협업하여 쿼리 실행자에 고정하는 대신 SQL 책임을 지정할 수 있는 유연성이 향상됩니다.

AWS Clean Rooms ML을 사용하면 사용자와 파트너가 개인정보 보호 강화 기계 학습(ML)을 적용하여 원시 데이터를 서로 공유하지 않고도 예측 인사이트를 생성할 수 있습니다. AWS Clean Rooms ML은 사용자 지정 및 유사 기계 학습(ML) 모델링을 지원합니다. 사용자 지정 모델링을 사용하면 협업자 간에 기본 데이터나 지적 재산을 공유하지 않고도 훈련을 위한 사용자 지정 모델을 가져오고 공동 데이터세트에 대한 추론을 실행할 수 있습니다. 유사 모델링을 사용하면 AWS에서 제작한 모델을 사용하여 파트너가 협업에 가져오는 소수의 프로필 샘플을 기반으로 유사한 프로필의 확장된 세트를 생성할 수 있습니다.

AWS Clean Rooms은 다양한 사용 사례를 가진 고객을 지원합니다. 예를 들어 광고주는 전용 모델과 데이터를 Clean Rooms 협업에 가져와서 퍼블리셔를 초대하여 캠페인 효과를 높이는 데 도움이 되는 사용자 지정 ML 모델을 훈련 및 배포할 수 있습니다. 금융 기관은 과거 거래 기록을 사용하여 사용자 지정 ML 모델을 훈련하고 Clean Rooms 협업에 파트너를 초대하여 잠재적 사기 거래를 탐지할 수 있습니다. 연구 기관 및 병원 네트워크는 기존 임상 시험 참가자와 유사한 지원자를 찾아 임상 시험 기간을 단축하는 데 도움이 될 수 있습니다. 브랜드와 퍼블리셔는 어느 한 회사가 기본 데이터를 다른 회사와 공유하지 않고도 시장 내 고객의 유사 세그먼트를 모델링하고 관련성이 높은 광고 경험을 제공할 수 있습니다.

AWS 제작 모델을 사용하는 AWS Clean Rooms ML 유사 모델링은 전자상거래, 스트리밍 비디오 등 다양한 데이터세트로 구축 및 테스트되었으며, 대표적인 업계 기준에 비해 유사 모델링의 정확도를 최대 36% 향상할 수 있도록 지원합니다. 신규 고객 발굴과 같은 실제 애플리케이션에서 이러한 정확도 향상은 수백만 USD의 비용 절감으로 이어질 수 있습니다.

암호화로 보호된 데이터에 대해 AWS Clean Rooms 쿼리를 실행할 수 있습니다. 민감한 데이터를 암호화하도록 요구하는 데이터 취급 정책이 있는 경우 쿼리가 실행되는 경우에도 데이터가 암호화되도록 협업별로 공유 암호화 키를 사용하여 데이터를 사전 암호화할 수 있습니다. 암호화 컴퓨팅은 협업 계산에 사용되는 데이터가 저장 시, 전송 중 및 사용 중(처리되는 동안) 암호화된 상태로 유지되도록 합니다.

Cryptographic Computing for Clean Rooms(C3R)는 CLI가 포함된 오픈 소스 Java SDK로, GitHub에서 사용할 수 있습니다. 이 기능은 추가 요금 없이 사용할 수 있습니다. 빅 데이터가 있는 경우 설명서를 검토하여 C3R을 Apache Spark에 통합하는 방법을 확인할 수 있습니다.

이 기능은 보안 및 규정 준수 요구 사항을 달성하는 동시에 AWS가 제공하는 유연성, 확장성, 성능 및 사용 편의성을 손쉽게 활용할 수 있도록 하는 광범위한 AWS 암호화 컴퓨팅 도구에 포함된 최신 기능입니다.