Domande frequenti su AWS Clean Rooms

AWS Clean Rooms ML consente agli utenti e ai loro partner di applicare tecniche di machine learning (ML) per il miglioramento della privacy per generare informazioni predittive senza dover condividere dati grezzi tra di loro. AWS Clean Rooms ML supporta la modellazione di machine learning (ML) personalizzata e per somiglianza. Con la modellazione personalizzata, è possibile creare un modello personalizzato per l'addestramento ed eseguire inferenze su set di dati collettivi, senza condividere i dati sottostanti o la proprietà intellettuale tra i collaboratori. Con la modellazione per somiglianza, è possibile utilizzare un modello creato da AWS per generare un set esteso di profili simili sulla base di un piccolo campione di profili che i partner apportano a una collaborazione.

AWS Clean Rooms ML aiuta i clienti con diversi casi d'uso. Ad esempio, gli inserzionisti possono inserire il modello e i dati proprietari in una collaborazione Clean Rooms e invitare i publisher a unire i propri dati per addestrare e implementare un modello ML personalizzato che li aiuti ad aumentare l'efficacia della campagna; gli istituti finanziari possono utilizzare i record storici delle transazioni per addestrare un modello ML personalizzato e invitare i partner a partecipare a una collaborazione Clean Rooms per individuare transazioni potenzialmente fraudolente; gli istituti di ricerca e le reti ospedaliere possono trovare candidati simili ai partecipanti agli studi clinici esistenti per velocizzare gli studi clinici; infine, marchi e publisher possono modellare segmenti simili di clienti sul mercato e offrire esperienze pubblicitarie altamente pertinenti, senza che nessuna delle due società condivida con l'altra i dati sottostanti.

Con la modellazione personalizzata di AWS Clean Rooms ML, è possibile unire modelli, algoritmi e dati di machine learning (ML) in una collaborazione con i partner per addestrare modelli ML ed eseguire inferenze su set di dati collettivi senza dover condividere dati sensibili o modelli ML proprietari.

La modellazione personalizzata di AWS Clean Rooms ML supporta la formazione ML e i flussi di lavoro di inferenza ML. Per entrambi i flussi di lavoro, si inizia definendo una query SQL AWS Clean Rooms Spark da utilizzare per generare un set di dati per la fase di formazione o inferenza. Il set di dati intermedio viene conservato all'interno della collaborazione in camera bianca e può essere utilizzato solo per attività approvate di AWS Clean Rooms ML. Il secondo passaggio è l'addestramento o l'inferenza dei modelli ML. I modelli e il codice ML sono impacchettati in un'immagine container. Un modello addestrato può essere mantenuto nella collaborazione e utilizzato come parte di un flusso di lavoro di inferenza. Con AWS Clean Rooms ML, i dati vengono utilizzati solo per addestrare il modello personalizzato e non vengono condivisi tra i collaboratori o utilizzati per l'addestramento dei modelli AWS. È possibile rimuovere i dati da Clean Rooms ML o eliminare un modello personalizzato in qualunque momento e applicare controlli che migliorano la privacy per salvaguardare i dati sensibili che porti a una collaborazione. Per applicare la modellazione personalizzata di AWS Clean Room ML, è necessario utilizzare Spark SQL come motore di analisi.

Con la modellazione per somiglianza di AWS Clean Rooms ML, è possibile utilizzare un modello creato da AWS per generare un set esteso di profili simili sulla base di un piccolo campione di profili che i partner apportano a una collaborazione proteggendo al contempo l'utente e i dati sottostanti del suo partner. È possibile invitare i partner in una camera bianca e applicare un modello di ML creato da AWS, addestrato per ogni collaborazione per generare set di dati simili in pochi passaggi, risparmiando mesi di lavoro di sviluppo per creare, addestrare, ottimizzare e implementare il proprio modello. La modellazione per somiglianza di AWS Clean Rooms ML è stata creata e testata su vari set di dati come e-commerce e streaming video e può aiutare i clienti a migliorare la precisione della modellazione per somiglianza fino al 36% rispetto ai dati di riferimento rappresentativi del settore. Nelle applicazioni reali, come la ricerca di nuovi clienti, questo miglioramento della precisione può tradursi in risparmi di milioni di dollari.

La protezione dei dati parte dalla base della sicurezza di AWS e AWS Clean Rooms si basa sui servizi di sicurezza AWS, tra cui AWS Identity and Access Management (IAM), AWS Key Management Service (KMS) e AWS CloudTrail. Ciò consente di estendere la strategia di protezione dei dati esistente ai carichi di lavoro di collaborazione sui dati. Con AWS Clean Rooms non è più necessario archiviare o conservare una copia dei dati al di fuori dell'ambiente AWS e inviarli a un'altra parte per condurre analisi relative ad approfondimenti sui consumatori, misurazioni di marketing, previsioni o valutazione del rischio.

Durante la configurazione di una collaborazione con AWS Clean Rooms e l’utilizzo dell'analisi SQL, è possibile specificare diverse abilità per ogni membro della collaborazione in base ai casi d'uso specifici. Ad esempio, se l'output della query deve essere inviato a un membro diverso, è possibile designare un membro come query runner che può scrivere le query e un altro membro come destinatario dei risultati della query che può ricevere i risultati. In questo modo il creatore della collaborazione può assicurarsi che il membro che può eseguire la query non abbia accesso ai risultati della stessa.

AWS Clean Rooms presenta anche controlli per le query SQL che permettono di limitare il tipo di query o le query specifiche che possono essere eseguite sulle tabelle di dati tramite la configurazione delle regole di analisi. AWS Clean Rooms supporta tre tipi di regole di analisi SQL: aggregazione, elenco e personalizzate. La regola di analisi dell'aggregazione consente di configurare la tabella in modo che siano consentite solo le query che generano statistiche aggregate (come la misurazione o l'attribuzione della campagna). Con la regola di analisi dell'elenco, puoi configurare la tabella in modo che le query possano analizzare solo l'intersezione dei set di dati con quella del membro in grado di eseguire la query. La regola di analisi personalizzata consente di configurare i controlli a livello di query per consentire l'esecuzione di account o query specifici sul proprio set di dati. Quando si utilizzano regole di analisi personalizzate, è possibile scegliere di utilizzare la privacy differenziale. La privacy differenziale di AWS Clean Rooms aiuta a proteggere la privacy degli utenti con controlli intuitivi e supportati matematicamente in pochi clic. Essendo una funzionalità completamente gestita di AWS Clean Rooms, non è necessaria alcuna esperienza pregressa in privacy differenziale per aiutare a prevenire la re-identificazione degli utenti. Un altro controllo è costituito dalle soglie di aggregazione, che impediscono alle query di estendesi a gruppi piccoli e potenzialmente re-identificabili.

Con AWS Clean Rooms ML, i dati vengono utilizzati solo per addestrare il modello e non per l'addestramento dei modelli AWS. AWS Clean Rooms ML non utilizza i dati di formazione o di segmenti simili di nessuna azienda con un'altra ed è consentita l’eliminazione dei modelli e dati di formazione in qualsiasi momento.

No. I set di dati sono archiviati negli account AWS dei collaboratori. AWS Clean Rooms legge temporaneamente i dati dagli account dei collaboratori per eseguire query, abbinare record, addestrare modelli ML o espandere i segmenti di inizializzazione. I risultati di un'analisi vengono inviati alla posizione S3 progettata per l'analisi.

AWS Entity Resolution in AWS Clean Rooms genera un set di dati che mappa gli identificatori di ciascuna parte nell'ambito di una collaborazione. Il set di dati di mappatura è gestito da AWS Clean Rooms. Nessuna persona coinvolta nella collaborazione può visualizzare o scaricare la tabella di mappatura. Se tutte le persone coinvolte nella collaborazione accettano di allentare questa applicazione della privacy, è possibile interrogare la tabella di mappatura per casi d'uso particolari. Qualunque parte può eliminare la tabella in qualsiasi momento.

I modelli generati da AWS Clean Rooms ML sono archiviati dal servizio, possono essere crittografati con una chiave AWS KMS gestita dal cliente e possono essere eliminati dal cliente in qualsiasi momento.

Le regole di crittografia e analisi di AWS Clean Rooms ti consentono di avere un controllo granulare sul tipo di informazioni che desideri condividere. In qualità di collaboratore dei dati, sei tenuto a valutare il rischio di ogni collaborazione, incluso il rischio di reidentificazione, e a condurre la tua due diligence aggiuntiva per garantire la conformità a qualsiasi legge sulla privacy dei dati. Se i dati condivisi sono sensibili o regolamentati, ti consigliamo di utilizzare anche accordi legali e meccanismi di controllo appropriati per ridurre ulteriormente i rischi per la privacy.

Sì. I termini del servizio AWS vietano alcuni casi d'uso per le collaborazioni in AWS Clean Rooms.

Sì, il programma di conformità agli standard HIPAA di AWS include AWS Clean Rooms. Se hai sottoscritto un Business Associate Agreement (BAA) con AWS, ora puoi utilizzare AWS Clean Rooms per creare collaborazioni conformi alla normativa HIPAA. In caso contrario, oppure se hai domande sull'utilizzo di AWS con applicazioni conformi agli standard HIPAA, contattaci.

Per ulteriori informazioni, consulta le seguenti risorse:

Pagina di AWS sullo Standard HIPAA

Pagina di AWS su cloud computing nel settore sanitario

Puoi utilizzare il motore di analisi Spark per eseguire query nella variante di linguaggio Spark SQL nelle collaborazioni AWS Clean Rooms. AWS Clean Rooms Spark SQL offre dimensioni di calcolo configurabili per fornire un maggiore controllo sulle prestazioni dei prezzi durante l'esecuzione di carichi di lavoro SQL. Per applicare Privacy differenziale di AWS Clean Rooms o utilizzare regole di aggregazione o analisi degli elenchi in una collaborazione, devi utilizzare SQL come motore di analisi.

AWS Clean Rooms Spark SQL utilizza il tipo di istanza predefinito CR.1X, che fornisce 4 vCPU, 30 GB di memoria e 100 GB di spazio di archiviazione. Puoi scegliere di allocare più risorse per eseguire i carichi di lavoro Spark SQL selezionando il tipo di istanza CR.4X più grande, che fornisce 16 vCPU, 120 GB di memoria e 400 GB di spazio di archiviazione. Istanze di dimensioni maggiori possono avvantaggiare i carichi di lavoro SQL che elaborano grandi volumi di dati ed eseguono analisi complesse, il che aiuta a distribuire i carichi di lavoro su un numero maggiore di risorse. Scopri di più sulla vCPU, sulla memoria e sullo spazio di archiviazione associati a ciascuna configurazione qui.

Nelle regole di analisi SQL è possibile configurare i controlli a livello di colonna, che consentono di definire il modo in cui ciascuna colonna può essere utilizzata nelle query. Ad esempio, è consentito specificare quali colonne possono essere utilizzate per calcolare le statistiche aggregate, come SUM(price), e quali possono essere utilizzate per unire la tabella con altri membri della collaborazione. Nella regola dell’analisi di aggregazione è inoltre possibile definire una soglia di aggregazione minima che ogni riga di output deve soddisfare. Le righe che non soddisfano la soglia minima vengono automaticamente filtrate da AWS Clean Rooms.

Sì. Sarai in grado di configurare AWS Clean Rooms per pubblicare i log delle query in File di log Amazon CloudWatch. Con la regola di analisi personalizzata, puoi anche rivedere le query (archiviate nei modelli di analisi) prima che vengano eseguite nella collaborazione. 

La privacy differenziale è un framework provato matematicamente per aiutare la protezione della privacy dei dati. Il vantaggio principale alla base della privacy differenziale è quello di aiutare a proteggere i dati a livello individuale aggiungendo una quantità controllata di casualità, il rumore, per oscurare la presenza o l'assenza di un singolo individuo in un set di dati che viene analizzato.

La privacy differenziale di AWS Clean Rooms aiuta a proteggere la privacy degli utenti con controlli intuitivi e supportati matematicamente in poche operazioni. Essendo una funzionalità completamente gestita di AWS Clean Rooms, non è necessaria alcuna esperienza pregressa in privacy differenziale per aiutare a prevenire la re-identificazione degli utenti. La privacy differenziale di AWS Clean Rooms offusca il contributo dei dati di qualsiasi individuo alla generazione di approfondimenti aggregati nelle collaborazioni, in modo da poter eseguire un'ampia gamma di query SQL per generare informazioni su campagne pubblicitarie, decisioni di investimento, ricerca clinica e altro ancora.

È possibile iniziare a utilizzare la privacy differenziale di AWS Clean Rooms in pochi passaggi dopo aver iniziato o aderito a una collaborazione con AWS Clean Rooms come membro con capacità di contribuire con dati. Dopo aver creato una tabella configurata, che è un riferimento alla tabella nel Catalogo dati AWS Glue, basta semplicemente attivare la privacy differenziale aggiungendo una regola di analisi personalizzata alla tabella configurata quando si utilizza il motore di analisi SQL. Successivamente, bisogna associare la tabella configurata alla propria collaborazione con AWS Clean Rooms e configurare una politica sulla privacy differenziale nella collaborazione per rendere la tabella disponibile per l'interrogazione. È disponibile una politica predefinita per completare rapidamente la configurazione, personalizzabile per soddisfare requisiti specifici. Per applicare Privacy differenziale di AWS Clean Rooms in una collaborazione, è necessario utilizzare SQL come motore di analisi.

Una volta configurata la privacy differenziale di AWS Clean Rooms, il partner di collaborazione può iniziare a eseguire query sulla propria tabella, senza bisogno di alcuna esperienza in concetti di privacy differenziale o configurazioni aggiuntive da parte dei propri partner. Con la privacy differenziale di AWS Clean Rooms, i query runner possono eseguire analisi personalizzate e flessibili, inclusi modelli di query complessi con espressioni di tabella comuni (CTE) e funzioni aggregate di uso comune come COUNT e SUM.

Il calcolo crittografico è un metodo per proteggere e crittografare i dati sensibili mentre sono in uso. I dati possono essere codificati a riposo quando vengono archiviati, in movimento quando vengono trasmessi e quando sono in uso. Crittografia significa convertire i dati in chiaro in dati codificati che non possono essere decifrati senza una "chiave" specifica. Private Set Intersection (PSI) è un tipo di calcolo crittografico che consente a due o più parti in possesso di set di dati di confrontare le versioni crittografate per eseguire il calcolo. La crittografia avviene on-premise con la chiave segreta del collaboratore condiviso. C3R è disponibile sia per il motore di analisi SQL Spark sia per il motore di analisi SQL.

AWS Clean Rooms include il calcolo crittografico per Clean Rooms (C3R), che offre la possibilità di precrittografare i dati utilizzando uno strumento di crittografia lato client, un SDK o un'interfaccia a riga di comando (CLI), che utilizza una chiave segreta condivisa con altri partecipanti in una collaborazione AWS Clean Rooms. Questo codifica i dati mentre vengono eseguite le query.