ฟีเจอร์ของ AWS Clean Room

ด้วย AWS Clean Rooms คุณสามารถทำงานร่วมกันกับข้อมูลหลายฝ่ายได้อย่างง่ายดายโดยไม่ต้องย้ายหรือแชร์ข้อมูลดิบของคุณ คุณสามารถอนุญาตให้ข้อมูลของคุณใน AWS โดยตรงและเริ่มทำงานร่วมกับชุดข้อมูลของพาร์ทเนอร์ของคุณที่เก็บไว้ใน Snowflake และ AWS โดยไม่มีการแยก แปลง และการโหลด (ETL แบบไร้รอยต่อ) เมื่อคุณเรียกใช้การจับคู่บันทึก สืบค้น ฝึกโมเดล ML หรือสร้างข้อมูลเชิงลึกเชิงคาดการณ์ AWS Clean Rooms จะอ่านข้อมูลจากที่ที่มันอยู่ เมื่อคุณใช้ AWS Entity Resolution บน AWS Clean Rooms ข้อมูลพื้นฐานที่ใช้ในการกำหนดค่าชุดข้อมูลที่ทำแผนที่ระหว่างตัวระบุผู้ทำงานร่วมกันหลายรายจะไม่ถูกแชร์หรือเปิดเผยระหว่างผู้ทำงานร่วมกัน เมื่อคุณใช้การวิเคราะห์การสืบค้น SQL คุณสามารถระบุกฎต่างๆ และข้อจํากัดของการสืบค้น SQL ที่อนุญาตในข้อมูลของคุณ ซึ่งจะถูกนําไปใช้โดยอัตโนมัติเพื่อปกป้องข้อมูลพื้นฐานของผู้เข้าร่วมแต่ละคน ตัวอย่างเช่น คุณสามารถกําหนดค่าข้อจํากัดของเอาต์พุต เช่น เกณฑ์การผสานรวมขั้นต่ำ เมื่อคุณใช้ AWS Clean Rooms ML ข้อมูลพื้นฐานที่ใช้ในการฝึกโมเดลหรือสร้างเซ็กเมนต์ที่คล้ายกันจะไม่ถูกแชร์หรือเปิดเผยระหว่างผู้ทํางานร่วมกัน หรือใช้โดย AWS เพื่อฝึกโมเดล

ด้วย AWS Entity Resolution บน AWS Clean Rooms คุณและผู้ทำงานร่วมงานของคุณสามารถเตรียมและจับคู่บันทึกของลูกค้าที่เกี่ยวข้องได้ง่ายขึ้นภายในการทำงานร่วมกันของ AWS Clean Rooms ที่ได้รับการปรับปรุงความเป็นส่วนตัว การใช้เทคนิคการจับคู่ตามกฎหรือตามผู้ให้บริการข้อมูล คุณสามารถปรับปรุงการจับคู่ข้อมูลสำหรับกรณีการใช้งาน เช่น การวางแผนแคมเปญโฆษณา การกำหนดเป้าหมาย และการวัด คุณสามารถใช้ตรรกะการจับคู่ที่กำหนดค่าได้หรือชุดข้อมูลและ ID จากผู้ให้บริการข้อมูลที่เชื่อถือได้ เช่น LiveRamp เพื่อเชื่อมต่อระเบียนระหว่างอุปกรณ์ แพลตฟอร์ม และช่อง

กฎการวิเคราะห์เป็นข้อจํากัดที่ให้คุณมีวิธีควบคุมแบบในตัวเพื่อควบคุมวิธีการวิเคราะห์ข้อมูลของคุณได้ สมาชิกที่ทำงานร่วมกันที่สร้างหรือเข้าร่วมการทำงานร่วมกันในฐานะผู้เรียกใช้การสืบค้นข้อมูลที่กำหนดจะสามารถเขียนการสืบค้นเพื่อค้นหาและวิเคราะห์ตารางข้อมูลของคุณตามกฎการวิเคราะห์ที่คุณตั้งไว้ AWS Clean Rooms รองรับกฎการวิเคราะห์สามประเภท ได้แก่ การรวม รายการ และแบบกําหนดเอง

กฎการวิเคราะห์การรวม: กฎการวิเคราะห์การรวมช่วยให้คุณสามารถเรียกใช้การสืบค้นที่สร้างสถิติรวม เช่น ขนาดของจุดตัดของชุดข้อมูลสองชุด เมื่อใช้กฎการวิเคราะห์การรวม คุณสามารถบังคับให้ใช้ได้เฉพาะการสืบค้นแบบรวมเท่านั้นที่สามารถเรียกใช้กับข้อมูลของคุณได้ และบังคับใช้ข้อจำกัดกับบางส่วนของการสืบค้นที่เรียกใช้ เช่น คอลัมน์ใดที่ต้องใช้เฉพาะในการจับคู่แบบปกปิดข้อมูล และคอลัมน์ใดที่สามารถใช้ได้ในการรวม เช่น ผลรวม จำนวน หรือค่าเฉลี่ย นอกจากนี้ คุณยังควบคุมข้อจํากัดการรวมขั้นต่ำในผลลัพธ์ได้อีกด้วย  คุณยังสามารถตั้งค่าข้อจํากัดการผสานรวมขั้นต่ำที่อนุญาตให้คุณกําหนดเงื่อนไขสําหรับการส่งคืนแถวเอาต์พุต ข้อจำกัดเหล่านี้อยู่ในรูปแบบของ COUNT DISTINCT (คอลัมน์) >= เกณฑ์ ถ้าแถวเอาต์พุตในผลลัพธ์การสืบค้นไม่ตรงตามข้อจํากัดใดๆ แถวเอาต์พุตนั้นจะถูกลบออกสําหรับชุดผลลัพธ์ วิธีนี้ช่วยให้คุณมั่นใจได้ว่าเกณฑ์การรวมขั้นต่ำจะถูกบังคับใช้โดยอัตโนมัติในขณะที่ให้ความยืดหยุ่นแก่ผู้ทํางานด้านข้อมูลร่วมกันที่สามารถเขียนการสืบค้นตามแบบที่พวกเขาต้องการได้

กฎการวิเคราะห์รายการ: กฎการวิเคราะห์รายการช่วยให้คุณสามารถเรียกใช้การสืบค้นที่แยกรายการระดับแถวของจุดตัดของชุดข้อมูลหลายชุด เช่น การทับซ้อนกันของชุดข้อมูลสองชุด เมื่อใช้กฎการวิเคราะห์รายการ คุณสามารถบังคับให้ใช้ได้เฉพาะการสืบค้นรายการเท่านั้นที่สามารถเรียกใช้กับข้อมูลของคุณได้ และบังคับใช้ข้อจำกัดของการสืบค้นที่เรียกใช้ เช่น คอลัมน์ใดที่ต้องใช้เฉพาะในการจับคู่แบบปกปิดข้อมูล และคอลัมน์ใดที่สามารถส่งออกเป็นรายการในผลลัพธ์ได้

กฎการวิเคราะห์แบบกําหนดเอง: กฎการวิเคราะห์แบบกําหนดเองช่วยให้คุณสามารถสร้างการสืบค้นแบบกําหนดเองโดยใช้ ANSI-standard SQL ส่วนใหญ่ เช่น นิพจน์ตารางทั่วไป (CTE) และฟังก์ชันหน้าต่าง คุณยังสามารถตรวจสอบและอนุญาตการสืบค้นก่อนที่พาร์ทเนอร์ที่ทํางานร่วมกันจะเรียกใช้ และตรวจสอบการสืบค้นก่อนของผู้ทํางานร่วมกันคนอื่นๆ ก่อนที่จะได้รับอนุญาตให้ทํางานบนตารางของคุณ เมื่อใช้กฎการวิเคราะห์แบบกําหนดเอง คุณสามารถใช้การควบคุมในตัวเพื่อกําหนดหรือจํากัดวิธีการวิเคราะห์ข้อมูลพื้นฐานของคุณล่วงหน้า แทนที่จะต้องพึ่งพาข้อมูลบันทึกการสืบค้นหลังจากที่วิเคราะห์เสร็จแล้ว เมื่อคุณใช้การสืบค้น SQL แบบกำหนดเอง คุณยังสามารถสร้างหรือใช้เทมเพลตการวิเคราะห์เพื่อจัดเก็บการสืบค้นแบบกำหนดเองพร้อมพารามิเตอร์ในการทำงานร่วมกันได้ วิธีนี้ทําให้ลูกค้าสามารถช่วยเหลือซึ่งกันและกันในการทํางานร่วมกันได้ง่ายขึ้น ตัวอย่างเช่น สมาชิกที่มีประสบการณ์ SQL สูงกว่าสามารถสร้างเทมเพลตเพื่อให้สมาชิกคนอื่นตรวจสอบและอาจเรียกใช้ได้ นอกจากนี้ ยังอํานวยความสะดวกในการวิเคราะห์ที่นํากลับมาใช้ใหม่ได้ในการทํางานร่วมกันอีกด้วย คุณยังสามารถใช้ AWS Clean Rooms Differential Privacy ได้โดยเลือกกฎการวิเคราะห์แบบกําหนดเอง แล้วกําหนดค่าพารามิเตอร์ความเป็นส่วนตัวที่แตกต่างกันของคุณ

AWS Clean Rooms Differential Privacy ช่วยคุณปกป้องความเป็นส่วนตัวของผู้ใช้ด้วยการควบคุมที่ได้รับการสนับสนุนทางคณิตศาสตร์และใช้งานง่ายในไม่กี่คลิก Differential Privacy เป็นคำจำกัดความทางคณิตศาสตร์ที่เข้มงวดสำหรับการปกป้องความเป็นส่วนตัวของข้อมูล อย่างไรก็ตามการกำหนดค่าเทคนิคนี้มีความซับซ้อนและต้องใช้ความเข้าใจเชิงลึกเกี่ยวกับทฤษฎีและสูตรทางคณิตศาสตร์ที่เข้มงวดเพื่อนำไปใช้ได้อย่างมีประสิทธิภาพ AWS Clean Rooms Differential Privacy เป็นความสามารถที่ใช้งานง่ายและมีการจัดการเต็มรูปแบบของ AWS Clean Rooms ซึ่งช่วยคุณป้องกันการระบุผู้ใช้ของคุณใหม่ คุณไม่จําเป็นต้องมีประสบการณ์ด้านความเป็นส่วนตัวที่แตกต่างกันมาก่อนเพื่อใช้ความสามารถนี้ AWS Clean Rooms Differential Privacy ทําให้การมีส่วนร่วมของข้อมูลของบุคคลใดๆ จากเอาต์พุตรวมการทํางานร่วมกันใน AWS Clean Rooms สับสน และช่วยให้คุณสามารถเรียกใช้การสืบค้น SQL ที่หลากหลายเพื่อปลดล็อกข้อมูลเชิงลึกเกี่ยวกับแคมเปญโฆษณา การตัดสินใจลงทุน การวิจัยทางคลินิก และอื่นๆ คุณสามารถตั้งค่า AWS Clean Rooms Differential Privacy ได้โดยใช้กฎการวิเคราะห์แบบกําหนดเองในการทํางานร่วมกันของ AWS Clean Rooms จากนั้นคุณสามารถกําหนดค่า AWS Clean Rooms Differential Privacy ด้วยการควบคุมที่ยืดหยุ่นสําหรับกรณีการใช้งานทางธุรกิจเฉพาะของคุณ และสามารถนําไปใช้ได้ในไม่กี่ขั้นตอน AWS Clean Rooms Differential Privacy ช่วยให้คุณเปิดใช้งาน Differential Privacy ในการทํางานร่วมกันของ AWS Clean Rooms ได้ง่ายขึ้นด้วยตัวเลือกง่ายๆ สองสามข้อ ทั้งหมดนี้ไม่จําเป็นต้องมีความเชี่ยวชาญหรือการตั้งค่าเพิ่มเติมจากพาร์ทเนอร์ของคุณ

เมื่อคุณตั้งค่าการทํางานร่วมกันใน AWS Clean Rooms คุณสามารถระบุความสามารถที่แตกต่างกันสําหรับสมาชิกการทํางานร่วมกันแต่ละคนเพื่อให้เหมาะกับกรณีการใช้งานการสืบค้น SQL เฉพาะของคุณ ตัวอย่างเช่น ถ้าคุณต้องการให้เอาต์พุตการสืบค้นไปยังสมาชิกอื่น คุณสามารถกําหนดให้สมาชิกคนหนึ่งเป็นตัวเรียกใช้การสืบค้น SQL ที่สามารถเขียนการสืบค้น และสมาชิกอีกคนเป็นตัวรับผลลัพธ์การสืบค้น SQL ที่สามารถรับผลลัพธ์ได้ วิธีนี้ช่วยให้ผู้สร้างการทํางานร่วมกันสามารถตรวจสอบให้แน่ใจว่าสมาชิกที่สามารถสืบค้นไม่สามารถเข้าถึงผลลัพธ์การสืบค้นได้ เมื่อคุณตั้งค่าการทํางานร่วมกัน คุณยังสามารถกําหนดค่าความรับผิดชอบในการชําระเงินด้วยการสืบค้น SQL และมอบหมายสมาชิกที่เลือกเป็นผู้ถูกเรียกเก็บเงินสําหรับค่าใช้จ่ายในการประมวลผลการสืบค้นในการทํางานร่วมกันแทนการเรียกเก็บเงินโดยอัตโนมัติไปยังตัวเรียกใช้การสืบค้น สิ่งนี้ให้ความยืดหยุ่นมากขึ้นในการทํางานร่วมกับพาร์ทเนอร์ของคุณเพื่อกําหนดความรับผิดชอบของ SQL แทนที่จะยึดพวกเขาไว้กับตัวเรียกใช้การสืบค้น

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

โมเดลที่คล้ายกันของ AWS Clean Rooms ML ซึ่งใช้โมเดลที่เขียนโดย AWS ถูกสร้างขึ้นและทดสอบในชุดข้อมูลที่หลากหลาย เช่น อีคอมเมิร์ซและการสตรีมวิดีโอ และสามารถช่วยให้คุณปรับปรุงความแม่นยําในการสร้างโมเดลที่คล้ายกันได้ถึง 36% เมื่อเทียบกับบรรทัดฐานอุตสาหกรรมที่เป็นตัวแทน ในการประยุกต์ใช้ในโลกแห่งความเป็นจริง เช่น การหาลูกค้าใหม่ การปรับปรุงความแม่นยํานี้สามารถช่วยให้ประหยัดเงินได้หลายล้านดอลลาร์

คุณสามารถเรียกใช้การสืบค้นของ AWS Clean Rooms บนข้อมูลที่มีการป้องกันด้วยการเข้ารหัสลับ หากคุณมีนโยบายการจัดการข้อมูลซึ่งต้องมีการเข้ารหัสด้วยข้อมูลที่ละเอียดอ่อน คุณสามารถเข้ารหัสข้อมูลล่วงหน้าได้โดยใช้คีย์เข้ารหัสเฉพาะสำหรับการทำงานร่วมกัน เพื่อให้ข้อมูลได้รับการเข้ารหัสแม้ในขณะเรียกใช้การสืบค้น การประมวลผลข้อมูลที่เข้ารหัสลับจะรับรองว่าข้อมูลที่ใช้ในการประมวลผลร่วมกันยังคงได้รับการเข้ารหัส ทั้งขณะพัก ระหว่างส่งต่อ และใช้งาน (ในขณะที่กำลังประมวลผล)

การประมวลผลข้อมูลที่เข้ารหัสลับสำหรับพื้นที่ปลอดภัย (C3R) เป็น Java SDK แบบโอเพนซอร์สที่มี CLI ซึ่งขณะนี้พร้อมใช้งานแล้วใน GitHub คุณสมบัตินี้มีให้บริการโดยไม่มีค่าใช้จ่ายเพิ่มเติม หากคุณมี Big Data คุณสามารถอ่านเอกสารประกอบ เพื่อดูว่า C3R สามารถผสานรวมเข้ากับ Apache Spark ได้อย่างไร

คุณสมบัตินี้เป็นคุณสมบัติใหม่ล่าสุดของ เครื่องมือประมวลผลข้อมูลที่เข้ารหัสลับของ AWS ที่สร้างขึ้นเพื่อช่วยให้คุณสามารถตอบสนองความต้องการด้านการรักษาความปลอดภัยและการปฏิบัติตามข้อกำหนด ตลอดจนช่วยให้คุณสามารถใช้ประโยชน์จากความยืดหยุ่น ความสามารถในการปรับขนาด ประสิทธิภาพ และความง่ายในการใช้งานที่ AWS มอบให้