انتقل إلى المحتوى الرئيسي

ما ميزات AWS Clean Rooms؟

يسهل حل AWS Clean Rooms عليك وعلى شركائك تحليل مجموعات البيانات الجماعية والتعاون بشأنها لاكتساب رؤى دون الكشف عن البيانات الأساسية لبعضكم. يمكنك استخدام AWS Clean Rooms لإنشاء غرف نظيفة خلال دقائق والبدء بتحليل مجموعات البيانات الجماعية في بضع خطوات فقط. باستخدام AWS Clean Rooms، يمكنك دعوة أي عميل AWS تريد التعاون معه، وتحديد مجموعات البيانات، ومطابقة السجلات ذات الصلة، وتهيئة القيود للمشاركين.

إنشاء غرفتك النظيفة وإضافة المشاركين وبدء التعاون ببضع خطوات

تساعدك AWS Clean Rooms على نشر الغرف النظيفة الخاصة بك بسرعة وسهولة دون الحاجة إلى إنشاء الحلول الخاصة بك وإدارتها وصيانتها. يمكن للشركات كذلك الاستفادة من واجهات برمجة التطبيقات (APIs) لدمج وظائف AWS Clean Rooms في مهام سير العمل.
A businesswoman wearing glasses and earbuds is smiling while working on a computer in a modern office setting with natural light.

يمكنك التعاون مع أي شركة دون مشاركة البيانات الأساسية أو الكشف عنها

تجعل AWS Clean Rooms من السهل والسريع إنشاء رؤى من البيانات متعددة الأطراف دون الحاجة إلى نقل البيانات الأولية أو مشاركتها. يمكن للعملاء الإذن مباشرة ببياناتهم في AWS والبدء في التعاون مع مجموعات بيانات شركائهم المخزنة في Snowflake و AWS بدون استخراج وتحويل وتحميل ( Zero-etl).
A close-up image of multiple hands coming together in a fist bump, symbolizing teamwork, collaboration, and unity during a creative agency business meeting.

حماية البيانات الأساسية بمجموعة كبيرة من عناصر التحكم المُعزِّزة للخصوصية للغرف النظيفة

يدعم AWS Clean Rooms سياسات معالجة البيانات الصارمة من خلال مجموعة كبيرة من الإمكانات المُعزِّزة للخصوصية بما في ذلك قواعد التحليل الدقيق والخصوصية التفاضلية في AWS Clean Rooms والحوسبة المشفرة. ويمكنك استخدام سجلات التحليل لفهم كيفية استخدام بياناتك وتدقيقها.
Close-up of hands typing on a laptop keyboard with digital graphics overlay showing a login screen and a security shield icon, representing secure user authentication and data protection.

اربط سجلات العملاء ومطابقتها، واستخدم أدوات التحليل المرنة، وقم بتدريب نماذج تعلم الآلة (ML) ونشرها مع شركائك

باستخدام AWS Clean Rooms، يمكنك مطابقة سجلات العملاء وربطها عبر أي تطبيق أو قناة أو متجر بيانات. يمكنك استخدام PySpark أو SQL أو إحضار نموذج تعلم الآلة (ML) الخاص بك ونشره لفتح الأفكار مع شركائك دون مشاركة النموذج المخصص أو البيانات الأولية معهم.
Missing alt text value

موضوعات الصفحة

التعددية الحزبية

فتح الكل

باستخدام AWS Clean Rooms، يمكنك تحليل البيانات مع العديد من الأطراف الأخرى في تعاون واحد. يحتفظ كل عضو من أعضاء التعاون بالبيانات في حسابه الخاص. يمكنك إنشاء رؤى آمنة من بياناتك وبيانات شركائك الجماعية من دون الحاجة إلى كتابة التعليمة البرمجية. يمكنك إنشاء غرفة نظيفة ودعوة الشركات التي تريد التعاون معها وتحديد المشاركين الذين يمكنهم تشغيل تحليلات SQL أو توليد رؤى تنبئية باستخدام AWS Clean Rooms ML ضمن التعاون.

التعاون على البيانات أينما وجدت

فتح الكل

باستخدام AWS Clean Rooms، يمكنك التعاون بسهولة في البيانات متعددة الأطراف دون الحاجة إلى نقل بياناتك الأولية أو مشاركتها. يمكنك الإذن مباشرة ببياناتك في AWS والبدء في التعاون مع مجموعات بيانات شركائك المخزنة في Snowflake و AWS بدون استخراج وتحويل وتحميل (Zero-etl). عندما تقوم بمطابقة السجلات أو تشغيل الاستعلامات أو تدريب نموذج تعلم الآلة (ML) أو إنشاء رؤى تنبؤية، فإن AWS Clean Rooms تقرأ البيانات من المكان الذي تعيش فيه. عندما تستخدم خدمة AWS Entity Resolution على AWS Clean Rooms، فإن البيانات الأساسية المستخدمة لتكوين مجموعة بيانات تقوم بتعيين معرفات متعددة للمتعاونين لا تتم مشاركتها أو الكشف عنها أبدًا بين المتعاونين. عند استخدام تحليل استعلامات SQL، يمكنك تحديد قواعد استعلامات SQL وقيودها المسموح بها على بياناتك التي يتم تطبيقها تلقائيًا لحماية البيانات الأساسية لكل مشارك. على سبيل المثال، يمكنك تكوين قيود المخرجات مثل الحد الأدنى من حدود التجميع. عند استخدام AWS Clean Rooms ML، لا يتم أبدًا مشاركة البيانات الأساسية المستخدمة لتدريب نموذج أو إنشاء شريحة متشابهة أو الكشف عنها بين المتعاونين أو استخدامها من قِبل AWS لتدريب النماذج.

الوصول المبرمج الكامل

فتح الكل

بالإضافة إلى وحدة إدارة تحكم AWS، ستكون جميع وظائف AWS Clean Rooms متاحةً باستخدام واجهة برمجة التطبيقات. ستتمكن من استخدام مجموعات تطوير برامج (SDKs) أو واجهة سطر الأوامر (CLI) من AWS لأتمتة عمليات AWS Clean Rooms، أو دمج وظائف Clean Rooms ضمن مهام سير العمل والمنتجات الحالية، أو إنشاء نسختك الخاصة من عروض الغرف النظيفة لعملائك.

الأدوار القابلة للتكوين

فتح الكل

عند إعداد تعاون AWS Clean Rooms، يمكنك تحديد قدرات مختلفة لكل عضو في التعاون لتتناسب مع حالات استخدامك استعلامات SQL. على سبيل المثال، إذا كنت تريد أن ينتقل إخراج الاستعلام إلى عضو مختلف، فيمكنك تعيين عضو واحد كمشغل استعلامات SQL يمكنه كتابة الاستعلامات وعضو آخر كمستلم لنتائج استعلامات SQL يمكنه استلام النتائج. يمنح هذا منشئ التعاون القدرة على التأكد من أن العضو الذي يمكنه الاستعلام لا يمكنه الوصول إلى نتائج الاستعلام. عند إعداد تعاون، يمكنك كذلك تكوين مسؤوليات دفع استعلامات SQL وتعيين عضو مختار تتم محاسبته على تكاليف حوسبة الاستعلامات في التعاون بدلًا من إرسال الفواتير تلقائيًا إلى مشغل الاستعلامات. يوفر هذا مزيدًا من المرونة للتعاون مع شركائك لتعيين مسؤوليات SQL بدلًا من إلقائها على عاتق على مشغل الاستعلامات.

خدمة AWS Entity Resolution على AWS Clean Rooms

فتح الكل

من خلال خدمة AWS Entity Resolution على AWS Clean Rooms، يمكنك أنت والمتعاونون معك إعداد سجلات العملاء ذات الصلة ومطابقتها بسهولة أكبر، داخل تعاون AWS Clean Rooms المحسّن للخصوصية. باستخدام تقنيات المطابقة المستندة إلى القواعد أو المستندة إلى مزود خدمة البيانات، يمكنك تحسين مطابقة البيانات لحالات الاستخدام مثل تخطيط الحملة الإعلانية والاستهداف والقياس. يمكنك استخدام منطق المطابقة القابل للتكوين أو مجموعات البيانات والمعرفات (IDs) من موفري خدمات البيانات الموثوق بهم مثل LiveRamp لتوصيل السجلات عبر الأجهزة والأنظمة الأساسية والقنوات.

PySpark

فتح الكل

يتيح PySpark في AWS Clean Rooms لك ولشركائك تشغيل تحليلات معقدة عبر مجموعات بيانات كبيرة باستخدام PySpark، وهي واجهة برمجة تطبيقات Python لـ Apache Spark. على سبيل المثال، يمكن لموفر قياس الإعلانات استخدام PySpark في AWS Clean Rooms لتشغيل خوارزمياته المخصصة عبر مجموعات بيانات متعددة للناشرين في وقت واحد لقياس فعالية الإعلان. وبالمثل، يمكن لشركة الأدوية تشغيل الخوارزميات والمكتبات الخاصة بها عبر مجموعات بيانات متعددة لمقدمي الرعاية الصحية بموافقة المريض المناسبة لتقييم الالتزام بالأدوية عبر التجارب السريرية، دون مشاركة بياناتهم الخاصة.

SQL المرن

فتح الكل

قواعد التحليل هي قيود تمنحك تحكمًا مدمجًا في كيفية تحليل بياناتك. يمكن لأعضاء التعاون الذين ينشئون تعاونًا أو ينضمون إليه كمستعربين معينين كتابة استعلامات لتقاطع جداول البيانات وتحليلها وفقًا لقواعد التحليل التي قمت بتعيينها. تدعم AWS Clean Rooms ثلاثة أنواع من قواعد التحليل: التجميع والقائمة والتحليل المُخصص.

قاعدة تحليل التجميع: تسمح لك قاعدة تحليل التجميع بتشغيل الاستعلامات التي تولد إحصائيات مجمعة، مثل حجم التقاطع بين مجموعتي بيانات. عند استخدام قاعدة تحليل التجميع، يمكنك فرض إمكانية تشغيل استعلامات التجميع فقط على بياناتك وفرض قيود على أجزاء معينة من الاستعلامات التي يتم تشغيلها مثل الأعمدة التي يجب استخدامها فقط في المطابقة العمياء والأعمدة التي يمكن استخدامها في التجميعات مثل المجاميع أو الأعداد أو المتوسطات. يمكنك أيضًا التحكم في الحد الأدنى من قيود التجميع في الإخراج.  يمكنك كذلك تعيين الحد الأدنى من قيود التجميع التي تسمح لك بوضع شروط لإرجاع صف الإخراج. تكون هذه القيود في شكل COUNT DISTINCT (عمود)> = الحد. إذا كان صف الإخراج في نتائج الاستعلام لا يفي بأي من القيود، فستتم إزالته من مجموعة النتائج. يساعدك ذلك على ضمان فرض الحد الأدنى من حدود التجميع تلقائيًا مع توفير المرونة لمتعاوني البيانات الذين يمكنهم كتابة استعلامات من اختيارهم.

قاعدة تحليل القائمة: تسمح لك قاعدة تحليل القائمة بتشغيل الاستعلامات التي تستخرج قائمة مستوى الصف لتقاطع مجموعات بيانات متعددة، مثل تداخل مجموعتي بيانات. عند استخدام قاعدة تحليل القائمة، يمكنك فرض إمكانية تشغيل استعلامات القائمة فقط على بياناتك وفرض قيود على الاستعلامات التي يتم تشغيلها، مثل الأعمدة التي يجب استخدامها فقط في المطابقة العمياء والأعمدة التي يمكن إخراجها كقائمة في الإخراج.

قاعدة التحليل المخصص: تسمح لك قاعدة التحليل المخصص بإنشاء استعلامات مخصصة باستخدام معظم SQL القياسي ANSI، مثل تعبيرات الجدول الشائعة (CTE) ووظائف النافذة. يمكنك كذلك مراجعة الاستعلامات والسماح بها قبل أن يقوم شركاء التعاون بتشغيلها ومراجعة استعلامات المتعاونين الآخرين قبل السماح لها بالتشغيل على الجداول الخاصة بك. عند استخدام قاعدة التحليل المخصص، يمكنك استخدام عنصر تحكم مضمن لتحديد أو وضع حد لكيفية تحليل بياناتك الأساسية مسبقًا، بدلاً من الاضطرار إلى الاعتماد على سجلات الاستعلام بعد اكتمال التحليلات. عند استخدام استعلامات SQL المخصصة، يمكنك أيضًا إنشاء قوالب تحليل أو استخدامها لتخزين الاستعلامات المخصصة مع المَعلَمَاتِ في عمليات التعاون. يتيح ذلك للعملاء مساعدة بعضهم بسهولة أكبر في التعاون. على سبيل المثال يمكن لعضو يتمتع بخبرة أعلى في SQL إنشاء قوالب للأعضاء الآخرين لمراجعتها وربما تشغيلها. كما أنه يُسهَِل التحليلات القابلة لإعادة الاستخدام في التعاون. يمكنك كذلك استخدام الخصوصية التفاضلية لـ AWS Clean Rooms عن طريق تحديد قاعدة تحليل مخصصة ثم تكوين معلمات الخصوصية التفاضلية.

تساعدك الخصوصية التفاضلية لـ AWS Clean Rooms على حماية خصوصية المستخدمين من خلال عناصر تحكم بديهية ومدعومة رياضيًا في بضع خطوات. الخصوصية التفاضلية هي تعريف رياضي صارم لحماية خصوصية البيانات. ومع ذلك، فإن تكوين هذه التقنية معقد ويتطلب فهمًا متعمقًا للنظرية والصيغ الرياضية الصارمة لتطبيقها بفعالية. الخصوصية التفاضلية لـ AWS Clean Rooms هي إمكانية سهلة ومُدارة بالكامل لـ AWS Clean Rooms تساعدك على منع إعادة تحديد هوية المستخدمين لديك. لا تحتاج إلى خبرة سابقة في الخصوصية التفاضلية لاستخدام هذه الإمكانية. تحجب الخصوصية التفاضلية لـ AWS Clean Rooms إسهام بيانات أي فرد من تعاون AWS Clean Rooms في تجميع المخرجات وتمكّنك من تشغيل مجموعة واسعة من استعلامات SQL للحصول على رؤى حول الحملات الإعلانية وقرارات الاستثمار والأبحاث السريرية وغير ذلك الكثير. يمكنك إعداد الخصوصية التفاضلية لـ AWS Clean Rooms من خلال تطبيق قاعدة تحليل مخصصة في تعاون AWS Clean Rooms لديك. ثم يمكنك تكوين الخصوصية التفاضلية لـ AWS Clean Rooms باستخدام عناصر تحكم مرنة بالنسبة إلى حالات الاستخدام التجاري المحددة ويمكن تطبيقها ببضع خطوات فقط. تُسهل الخصوصية التفاضلية لـ AWS Clean Rooms عليك تمكين الخصوصية التفاضلية في عمليات تعاون AWS Clean Rooms من خلال بعض الخيارات البسيطة – كل ذلك من دون الحاجة إلى أي خبرة إضافية أو إعداد من شركائك.

باستخدام Analysis Builder، يمكن لمستخدمي الأعمال الحصول على رؤى في بضع خطوات سهلة دون الحاجة إلى كتابة SQL أو فهمها. يمكنك اتباع الخطوات في واجهة المستخدم الإرشادية لإنشاء استعلامات متوافقة مع قيود البيانات التي حددها كل متعاون على جداوله استنادًا إلى معايير مقترحة تلقائيًا مثل المقاييس والشرائح والفلاتر المتعلقة بمجموعات البيانات الجماعية الخاصة بك. استخدم Analysis Builder في عمليات التعاون التي تحتوي على جدول واحد أو جدولين تم تكوينهما إما باستخدام قاعدة التجميع أو تحليل القائمة.

يمكنك تشغيل استعلامات AWS Clean Rooms على البيانات المحمية بالتشفير. إذا كانت لديك سياسات معالجة بيانات تتطلب تشفير البيانات الحساسة، فيمكنك تشفير بياناتك مسبقًا باستخدام مفتاح تشفير مشترك خاص بالتعاون بحيث يتم تشفير البيانات حتى عند تشغيل الاستعلامات. تضمن الحوسبة التشفيرية بقاء البيانات المستخدمة في الحسابات التعاونية مشفرة: في وقت عدم النشاط، وفي التنقل، وفي الاستخدام (أثناء المعالجة).

الحوسبة المشفرة للغرف النظيفة (C3R) هي Java SDK مفتوحة المصدر مع CLI، وهي متوفرة في GitHub. تتوفر هذه الميزة بدون رسوم إضافية. إذا كانت لديك بيانات كبيرة، فيمكنك مراجعة الوثائق لمعرفة كيف يمكن دمج C3R في Apache Spark.

هذه الميزة هي الأحدث من مجموعة واسعة من أدوات الحوسبة المشفرة لـ AWS المصممة لمساعدتك على تلبية احتياجات الأمان والامتثال مع السماح لك بالاستفادة من المرونة وقابلية التوسع والأداء وسهولة الاستخدام التي تقدمها AWS.

تعلّم الآلة المعزز للخصوصية

فتح الكل

تساعدك AWS Clean Rooms ML وشركائك على تطبيق التعلم الآلي المعزز للخصوصية (ML) لتوليد رؤى تنبؤية دون الحاجة إلى مشاركة البيانات الأولية مع بعضكم البعض. تدعم AWS Clean Rooms ML نمذجة تعلم الآلة (ML) المخصصة والمماثلة. باستخدام النمذجة المخصصة، يمكنك إحضار نموذج مخصص للتدريب وتشغيل الاستدلال على مجموعات البيانات الجماعية، دون مشاركة البيانات الأساسية أو الملكية الفكرية بين المتعاونين. باستخدام النمذجة الشبيهة، يمكنك استخدام نموذج من إنشاء AWS لإنشاء مجموعة موسعة من الملفات الشخصية المتشابهة استنادًا إلى عينة صغيرة من الملفات الشخصية التي يجلبها شركاؤك إلى التعاون.

تساعد AWS Clean Rooms ML العملاء في حالات الاستخدام المتعددة. على سبيل المثال، يمكن للمعلنين إدخال نموذج الملكية والبيانات الخاصة بهم في تعاون Clean Rooms، ودعوة الناشرين للانضمام إلى بياناتهم لتدريب ونشر نموذج تعلم الآلة المخصص الذي يساعدهم على زيادة فعالية الحملة؛ يمكن للمؤسسات المالية استخدام سجلات المعاملات التاريخية لتدريب نموذج تعلم الآلة المخصص، ودعوة الشركاء إلى تعاون Clean Rooms للكشف عن المعاملات الاحتيالية المحتملة؛ يمكن للمؤسسات البحثية وشبكات المستشفيات العثور على مرشحين مشابهين للمشاركين الحاليين في التجارب السريرية للمساعدة في تسريع التجارب السريرية الدراسات؛ ويمكن للعلامات التجارية والناشرين تصميم شرائح متشابهة من العملاء داخل السوق وتقديم تجارب إعلانية ذات صلة عالية، دون مشاركة أي من الشركتين لبياناتها الأساسية مع الأخرى.

تم تصميم النمذجة الشبيهة لـ AWS Clean Rooms ML، باستخدام نموذج الذي أنشأته AWS، واختبارها عبر مجموعات بيانات متنوعة، مثل التجارة الإلكترونية وبث الفيديو، ويمكن أن تساعدك على تحسين الدقة في النمذجة الشبيهة بنسبة تصل إلى 36%، عند مقارنتها بخطوط الأساس التمثيلية للصناعة. في التطبيقات الواقعية مثل البحث عن عملاء جدد، يمكن أن يؤدي تحسين الدقة هذا إلى توفير ملايين الدولارات.

تتيح AWS Clean Rooms لك ولشركائك إنشاء مجموعات بيانات تركيبية من بياناتك الجماعية لتدريب نماذج الانحدار والتصنيف للتعلم الآلي (ML). تطبق AWS Clean Rooms ML ضوابط تحسين الخصوصية للمساعدة في حماية البيانات الخاصة بك ونماذج التعلم الآلي مع إنشاء رؤى تنبؤية. كعنصر تحكم يعزز الخصوصية، يتيح إنشاء مجموعة بيانات تركيبية لك ولشركائك إنشاء مجموعات بيانات تدريبية بخصائص إحصائية مماثلة للأصل، مما يفتح حالات استخدام التدريب على نموذج التعلم الآلي الجديد لمجموعات البيانات الجماعية التي كانت مقيدة سابقًا بمخاوف تتعلق بخصوصية البيانات.

يعمل إنشاء مجموعة البيانات الاصطناعية المعززة للخصوصية للتعلم الآلي المخصص في AWS Clean Rooms ML عن طريق إلغاء تحديد الموضوعات - مثل الأشخاص أو الكيانات التي تم جمع بيانات عنها - في البيانات الأصلية، مما يقلل من خطر قيام النموذج بحفظ معلومات حول الأفراد في مجموعة البيانات. تم تحسين عملية إنشاء مجموعة البيانات الاصطناعية لإنشاء مجموعات بيانات متوافقة مع خوارزميات الانحدار والتصنيف التي تختارها.