ข้ามไปที่เนื้อหาหลัก
AWS Clean Rooms รองรับระบบคลาวด์และแหล่งข้อมูลหลายแห่ง | ทำงานร่วมกับชุดข้อมูลจากคลาวด์หลายแหล่งและแหล่งข้อมูลโดยไม่ต้องแชร์หรือเปิดเผยข้อมูลพื้นฐาน”

ฟีเจอร์ของ AWS Clean Room

สร้าง Clean Room ได้ภายในไม่กี่นาที ทำงานร่วมกับพันธมิตรของคุณโดยไม่ต้องเปิดเผยข้อมูลดิบ

เริ่มต้นใช้งาน AWS Clean Rooms
ติดต่อผู้เชี่ยวชาญ AWS Clean Rooms

ทำไมต้องใช้ AWS Clean Rooms

AWS Clean Rooms ช่วยให้คุณและพาร์ทเนอร์สามารถวิเคราะห์และทำงานร่วมกันในชุดข้อมูลรวมได้ง่ายยิ่งขึ้นเพื่อรับข้อมูลเชิงลึกโดยไม่ต้องมีการเปิดเผยข้อมูลพื้นฐานให้กันและกันทราบ คุณสามารถใช้ AWS Clean Rooms เพื่อสร้างพื้นที่ปลอดภัยของตัวเองได้ในไม่กี่นาที และเริ่มวิเคราะห์ชุดข้อมูลร่วมของตนได้ในแค่ไม่กี่ขั้นตอน ด้วย AWS Clean Rooms คุณสามารถเชิญลูกค้า AWS ที่คุณต้องการร่วมงานด้วย เลือกชุดข้อมูล และกําหนดค่าข้อจํากัดสําหรับผู้เข้าร่วมได้

สร้างพื้นที่ปลอดภัยของคุณเอง เพิ่มผู้เข้าร่วม และเริ่มทำงานร่วมกันได้ในไม่กี่ขั้นตอน

AWS Clean Rooms ช่วยให้คุณปรับใช้พื้นที่ปลอดภัยของตนเองได้อย่างรวดเร็วและง่ายดายโดยไม่ต้องสร้าง จัดการ และบำรุงรักษาโซลูชันของคุณเอง บริษัทต่าง ๆ ยังสามารถใช้ API เพื่อผสานฟังก์ชันการทำงานของ AWS Clean Rooms เข้ากับเวิร์กโฟลว์ของตนอีกด้วย
A businesswoman wearing glasses and earbuds is smiling while working on a computer in a modern office setting with natural light.

ร่วมมือกับบริษัทใด ๆ โดยไม่ต้องแชร์หรือเปิดเผยข้อมูลพื้นฐาน

AWS Clean Rooms ช่วยให้สร้างข้อมูลเชิงลึกจากข้อมูลหลายฝ่ายได้อย่างรวดเร็วและง่ายดายโดยไม่ต้องย้ายหรือแชร์ข้อมูลดิบของพวกเขา ลูกค้าสามารถอนุญาตข้อมูลของตนโดยตรงใน AWS และเริ่มทำงานร่วมกันกับชุดข้อมูลของพาร์ทเนอร์ที่จัดเก็บอยู่ใน Snowflake และ AWS โดยไม่ต้องแยก แปลง และโหลด ( ETL แบบไร้รอยต่อ)
A close-up image of multiple hands coming together in a fist bump, symbolizing teamwork, collaboration, and unity during a creative agency business meeting.

ปกป้องข้อมูลที่ซ่อนอยู่ด้วยชุดการควบคุมเพิ่มความเป็นส่วนตัวที่หลากหลายสำหรับพื้นที่ปลอดภัย

AWS Clean Rooms รองรับนโยบายการจัดการข้อมูลที่เข้มงวดผ่านความสามารถในการเพิ่มความเป็นส่วนตัวที่หลากหลาย ซึ่งรวมถึงกฎการวิเคราะห์อย่างละเอียด, การปกป้องความเป็นส่วนตัวแบบป้องกันการระบุตัวตนของ AWS Clean Rooms และการประมวลผลแบบเข้ารหัส และคุณสามารถใช้ข้อมูลบันทึกการวิเคราะห์เพื่อทำความเข้าใจและตรวจสอบว่าข้อมูลของคุณถูกใช้งานอย่างไร
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.

เชื่อมโยงและจับคู่ระเบียนของลูกค้า ใช้เครื่องมือการวิเคราะห์ที่ยืดหยุ่น และฝึกอบรมและปรับใช้โมเดล ML ร่วมกับพาร์ทเนอร์ของคุณ

ด้วย AWS Clean Rooms คุณสามารถจับคู่และเชื่อมโยงระเบียนของลูกค้าจากแอปพลิเคชัน ช่องทาง หรือที่เก็บข้อมูลใด ๆ ได้ คุณสามารถใช้ PySpark, SQL หรือนำโมเดล ML ของคุณเองมาปรับใช้เพื่อปลดล็อกข้อมูลเชิงลึกกับพาร์ทเนอร์ได้โดยไม่ต้องแชร์โมเดลที่ปรับแต่งเองหรือข้อมูลดิบกับพวกเขา
Missing alt text value

หัวข้อของหน้า

หลายฝ่าย

เปิดทั้งหมด

ด้วย AWS Clean Rooms คุณสามารถวิเคราะห์ข้อมูลกับฝ่ายอื่นได้หลายฝ่ายในการทํางานร่วมกันเพียงครั้งเดียว สมาชิกที่ทํางานร่วมกันแต่ละคนจะเก็บข้อมูลไว้ในบัญชีของตนเอง คุณสามารถสร้างข้อมูลเชิงลึกจากข้อมูลรวมของคุณและพาร์ทเนอร์ได้อย่างปลอดภัยโดยไม่ต้องเขียนโค้ด คุณสามารถสร้างพื้นที่ปลอดภัย เชิญบริษัทที่คุณต้องการทํางานร่วมกัน และเลือกผู้เข้าร่วมที่สามารถเรียกใช้การวิเคราะห์ SQL หรือสร้างข้อมูลเชิงลึกเชิงคาดการณ์ด้วย AWS Clean Rooms ML ภายในการทํางานร่วมกัน

ทำงานร่วมกันในข้อมูลของคุณทุกที่ที่ข้อมูลอยู่

เปิดทั้งหมด

ด้วย AWS Clean Rooms คุณสามารถทำงานร่วมกันกับข้อมูลหลายฝ่ายได้อย่างง่ายดายโดยไม่ต้องย้ายหรือแชร์ข้อมูลดิบของคุณ คุณสามารถอนุญาตให้ข้อมูลของคุณใน AWS โดยตรงและเริ่มทำงานร่วมกับชุดข้อมูลของพันธมิตรของคุณที่เก็บไว้ใน Snowflake และ AWS โดยไม่มีการแยก แปลง และการโหลด (Zero-ETL) 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

การเข้าถึงด้วยโปรแกรมเต็มรูปแบบ

เปิดทั้งหมด

นอกเหนือจากคอนโซลการจัดการของ AWS แล้ว ฟังก์ชัน AWS Clean Rooms ทั้งหมดยังสามารถเข้าถึงได้ด้วย API คุณจะสามารถใช้ AWS SDK ของ AWS หรือ Command Line Interface (CLI) เพื่อดำเนินการ AWS Clean Rooms โดยอัตโนมัติ รวมฟังก์ชันการทำงานของ Clean Rooms ภายในเวิร์กโฟลว์และผลิตภัณฑ์ที่มีอยู่ของคุณ หรือสร้างข้อเสนอด้านพื้นที่ปลอดภัยในแบบของคุณเองสำหรับลูกค้า

บทบาทที่กําหนดค่าได้

เปิดทั้งหมด

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

AWS Entity Resolution บน AWS Clean Rooms

เปิดทั้งหมด

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

PySpark

เปิดทั้งหมด

PySpark ใน AWS Clean Rooms ช่วยให้คุณและพันธมิตรของคุณสามารถดำเนินการวิเคราะห์ที่ซับซ้อนในชุดข้อมูลขนาดใหญ่โดยใช้ PySpark, Python API สำหรับ Apache Spark ตัวอย่างเช่น ผู้ให้บริการตรวจวัดการโฆษณาสามารถใช้ PySpark ใน AWS Clean Rooms เพื่อเรียกใช้อัลกอริทึมที่กำหนดเองกับชุดข้อมูลของตัวเผยแพร่ข้อความหลายชุดพร้อมกันเพื่อวัดประสิทธิภาพของโฆษณาได้ ในทำนองเดียวกัน บริษัทเภสัชกรรมสามารถเรียกใช้อัลกอริทึมและไลบรารีที่เป็นกรรมสิทธิ์กับชุดข้อมูลของผู้ให้บริการด้านการดูแลสุขภาพหลายชุด โดยที่ได้รับความยินยอมจากผู้ป่วยอย่างเหมาะสมในการประเมินพฤติกรรมการรับประทานยาตลอดการวิจัยทางคลินิก โดยที่ไม่ต้องแชร์ข้อมูลที่เป็นกรรมสิทธิ์

SQL ที่ยืดหยุ่น

เปิดทั้งหมด

กฎการวิเคราะห์เป็นข้อจํากัดที่ให้คุณมีวิธีควบคุมแบบในตัวเพื่อควบคุมวิธีการวิเคราะห์ข้อมูลของคุณได้ สมาชิกที่ทำงานร่วมกันที่สร้างหรือเข้าร่วมการทำงานร่วมกันในฐานะผู้เรียกใช้การสืบค้นข้อมูลที่กำหนดจะสามารถเขียนการสืบค้นเพื่อค้นหาและวิเคราะห์ตารางข้อมูลของคุณตามกฎการวิเคราะห์ที่คุณตั้งไว้ AWS Clean Rooms รองรับกฎการวิเคราะห์สามประเภท ได้แก่ การรวม รายการ และแบบกําหนดเอง

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

กฎการวิเคราะห์รายการ: กฎ การวิเคราะห์รายการช่วยให้คุณสามารถเรียกใช้แบบสอบถามที่แยกรายการระดับแถวของจุดตัดของชุดข้อมูลหลายชุด เช่น การทับซ้อนกันของชุดข้อมูลสองชุด เมื่อใช้กฎการวิเคราะห์รายการ คุณสามารถบังคับให้ใช้ได้เฉพาะการสืบค้นรายการเท่านั้นที่สามารถเรียกใช้กับข้อมูลของคุณได้ และบังคับใช้ข้อจำกัดของการสืบค้นที่เรียกใช้ เช่น คอลัมน์ใดที่ต้องใช้เฉพาะในการจับคู่แบบปกปิดข้อมูล และคอลัมน์ใดที่สามารถส่งออกเป็นรายการในผลลัพธ์ได้

กฎการวิเคราะห์ที่กำหนดเอง: กฎ การวิเคราะห์ที่กำหนดเองช่วยให้คุณสามารถสร้างแบบสอบถามที่กำหนดเองโดยใช้ SQL มาตรฐาน ANSI ส่วนใหญ่เช่นนิพจน์ตารางทั่วไป (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 Differen tial Privacy ช่วยให้คุณปกป้องความเป็นส่วนตัวของผู้ใช้ของคุณด้วยการควบคุมที่ได้รับการสนับสนุนทางคณิตศาสตร์และใช้งานง่ายในไม่กี่ขั้นตอน 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

เมื่อใช้ Analysis Builder ผู้ใช้ทางธุรกิจจะสามารถรับข้อมูลเชิงลึกได้ในไม่กี่ขั้นตอนง่ายๆ โดยไม่ต้องเขียนหรือทําความเข้าใจ SQL คุณสามารถทำตามขั้นตอนในอินเทอร์เฟซผู้ใช้ที่มีคำแนะนำเพื่อสร้างการสืบค้นที่สอดคล้องกับข้อจำกัดข้อมูลที่ผู้ทำงานร่วมกันแต่ละคนได้ตั้งค่าไว้ในตารางตามเกณฑ์ที่แนะนำอัตโนมัติ เช่น ตัวชี้วัด กลุ่ม และตัวกรองที่เกี่ยวข้องกับชุดข้อมูลรวมของคุณ ใช้ Analysis Builder ในการทํางานร่วมกันที่มี 1 หรือ 2 ตารางที่กําหนดค่าด้วยกฎวิเคราะห์การรวมหรือกฎการวิเคราะห์รายการ

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

การประมวลผลการเข้ารหัสสำหรับห้องสะอาด (C3R) เป็นโอ เพนซอร์ส Java SDK พร้อม CLI ซึ่งมีอยู่ใน GitHub คุณสมบัตินี้มีให้บริการโดยไม่มีค่าใช้จ่ายเพิ่มเติม หากคุณมี Big Data คุณสามารถอ่านเอกสารประกอบ เพื่อดูว่า C3R สามารถผสานรวมเข้ากับ Apache Spark ได้อย่างไร

คุณลักษณะนี้เป็น เครื่องมือการคำนวณการเข้ารหัส AWS รุ่นล่าสุดที่สร้างขึ้นเพื่อช่วยให้ คุณตอบสนองความต้องการด้านความปลอดภัยและการปฏิบัติตามข้อกำหนดของคุณในขณะที่ช่วยให้คุณใช้ประโยชน์จากความยืดหยุ่น ความสามารถในการปรับขนาด ประสิทธิภาพ และความสะดวกในการใช้งานที่ AWS นำเสนอ

ML ที่เพิ่มความเป็นส่วนตัว

เปิดทั้งหมด

AWS Clean Rooms ML ช่วยให้คุณและพันธมิตรของคุณใช้การเรียนรู้ของเครื่องที่เพิ่มความเป็นส่วนตัว (ML) เพื่อสร้างข้อมูลเชิงลึกที่คาดการณ์โดยไม่ต้องแบ่งปันข้อมูลดิบกับกัน 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

AWS Clean Rooms ช่วยให้คุณและพันธมิตรของคุณสามารถสร้างชุดข้อมูลสังเคราะห์จากข้อมูลรวมของคุณเพื่อฝึกโมเดลการถดถอยและการจำแนกแบบจำลองการเรียนรู้ของเครื่อง (ML) AWS Clean Rooms ML ใช้การควบคุมการเพิ่มความเป็นส่วนตัวเพื่อช่วยปกป้องข้อมูลที่เป็นกรรมสิทธิ์และโมเดล ML ของคุณในขณะที่สร้างข้อมูลเชิงลึกที่คาดการณ์ได้ ในฐานะการควบคุมที่เพิ่มความเป็นส่วนตัว การสร้างชุดข้อมูลสังเคราะห์ช่วยให้คุณและพันธมิตรของคุณสามารถสร้างชุดข้อมูลการฝึกอบรมที่มีคุณสมบัติทางสถิติที่คล้ายคลึงกับดั้งเดิม โดยปลดล็อกกรณีการใช้งานการฝึกอบรมแบบจำลอง ML ใหม่สำหรับชุดข้อมูลรวมที่ก่อนหน้านี้ถูกจำกัดโดยข้อกังวลเกี่ยวกับความเป็นส่วนตัวของข้อมูล

การสร้างชุดข้อมูลสังเคราะห์ที่เพิ่มความเป็นส่วนตัวสำหรับการเรียนรู้ของเครื่องแบบกำหนดเองใน AWS Clean Rooms ML ทำงานโดยการยกเลิกการระบุตัวเรื่อง เช่น บุคคลหรือหน่วยงานที่รวบรวมข้อมูล ในข้อมูลดั้งเดิม ช่วยลดความเสี่ยงที่โมเดลจะจดจำข้อมูลเกี่ยวกับบุคคลในชุดข้อมูล กระบวนการสร้างชุดข้อมูลสังเคราะห์ได้รับการปรับให้เหมาะสมเพื่อสร้างชุดข้อมูลที่เข้ากันได้กับอัลกอริทึมการถดถอยและการจำแนกประเภทที่คุณเลือก