Ana İçeriğe Atla

AWS Clean Rooms

Neden AWS Clean Rooms?

AWS Clean Rooms, temel verileri birbirinize ifşa etmeden öngörüler elde etmek amacıyla, ortak veri kümelerinin sizin tarafınızdan ve çözüm ortaklarınız tarafından analiz edilmesini ve bu veri kümelerine yönelik olarak iş birliği kurulmasını kolaylaştırır. AWS Clean Rooms'u kullanarak birkaç dakika içinde kendi temiz odalarınızı oluşturabilir ve birkaç adımda ortak veri kümelerini analiz etmeye başlayabilirsiniz. AWS Clean Rooms ile, iş birliği yapmak istediğiniz her AWS müşterisini davet edebilir, veri kümelerini seçebilir, ilgili kayıtları eşleştirebilir ve katılımcılara uygulanacak kısıtlamaları yapılandırabilirsiniz.

Kendi temiz odanızı oluşturun, katılımcılar ekleyin ve sadece birkaç adımda iş birliği yapmaya başlayın

AWS Clean Rooms, kendi çözümlerinizi oluşturmak, yönetmek ve sürdürmek zorunda kalmadan temiz odalarınızı daha hızlı ve kolay bir şekilde dağıtmanızı sağlar. Şirketler, AWS Clean Rooms'un işlevselliğini iş akışlarına entegre etmek için API'leri de kullanabilir.
A businesswoman wearing glasses and earbuds is smiling while working on a computer in a modern office setting with natural light.

Temel verileri paylaşmadan veya ifşa etmeden herhangi bir şirketle iş birliği yapın

AWS Clean Rooms, ham verileri taşımak veya paylaşmak zorunda kalmadan çok taraflı verilerden öngörüler oluşturmayı hızlı ve kolay hale getirir. Müşteriler AWS'deki verilerine doğrudan izin verebilir ve çözüm ortaklarının Snowflake ve AWS'de depolanan veri kümeleriyle sıfır ayıklama, dönüştürme ve yükleme ( sıfır-ETL) ile iş birliği yapmaya başlayabilir.
A close-up image of multiple hands coming together in a fist bump, symbolizing teamwork, collaboration, and unity during a creative agency business meeting.

Temiz odalar için gizliliği artıran geniş denetimlerle temel verileri koruyun

AWS Clean Rooms; ayrıntılı analiz kuralları, AWS Clean Rooms Ayrımsal Gizlilik ve kriptografik bilgi işlem dahil olmak üzere çok çeşitli gizliliği artırıcı özellikler aracılığıyla katı veri işleme politikalarını destekler. Ayrıca verilerinizin nasıl kullanıldığını anlamak ve denetlemek için analiz günlüklerini de kullanabilirsiniz.
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.

Müşteri kayıtlarını bağlayın ve eşleştirin, esnek analiz araçlarını kullanın ve çözüm ortaklarınızla birlikte ML modellerini eğitin ve dağıtın

AWS Clean Rooms ile müşteri kayıtlarını herhangi bir uygulama, kanal veya veri deposundan eşleştirebilir ve bağlayabilirsiniz. Öngörülerin kilidini açmak için PySpark veya SQL'i kullanabilir ve özel modelinizi ya da ham verilerinizi paylaşmaya gerek kalmadan kendi ML modelinizi getirip çözüm ortaklarınıza dağıtabilirsiniz.
Missing alt text value

Sayfa konuları

Çok taraflı

Tümünü aç

AWS Clean Rooms ile verileri tek bir iş birliği ortamında birden çok tarafla birlikte analiz edebilirsiniz. Her iş birliği üyesi, verileri kendi hesaplarında tutar. Kod yazmak zorunda kalmadan çözüm ortağı ile ortak verilerinizden güvenli bir şekilde öngörü oluşturabilirsiniz. Temiz oda oluşturabilir, iş birliği yapmak istediğiniz şirketleri davet edebilir ve iş birliği kapsamında hangi katılımcıların AWS Clean Rooms ML ile SQL analizi çalıştırabileceğini veya tahmine dayalı öngörüler oluşturabileceğini seçebilirsiniz.

Verileriniz üzerinde, verilerin bulunduğu yerde iş birliği yapın

Tümünü aç

AWS Clean Rooms ile ham verilerinizi taşımak veya paylaşmak zorunda kalmadan çok taraflı veriler üzerinde kolayca iş birliği yapabilirsiniz. Verilerinize doğrudan AWS'de izin verebilir ve iş ortaklarınızın Snowflake ve AWS'de depolanan veri kümeleriyle sıfır ayıklama, dönüştürme ve yükleme (Zero-ETL) ile işbirliği yapmaya başlayabilirsiniz. Kayıt eşleştirdiğinizde, sorgu çalıştırdığınızda, ML modeli eğittiğinizde veya tahmine dayalı öngörü oluşturduğunuzda, AWS Clean Rooms verileri bulunduğu yerden okur. AWS Clean Rooms'da AWS Varlık Çözümü kullandığınızda, birden çok katılımcının tanımlayıcıları arasında eşlenen bir veri kümesi yapılandırmak için kullanılan temel veriler, katılımcılar arasında hiçbir zaman paylaşılmaz veya açıklanmaz. SQL sorgu analizi kullandığınızda, her katılımcının temel verilerini korumak için otomatik olarak uygulanan, verilerinizde izin verilen kuralları ve SQL sorgu kısıtlamalarını belirtebilirsiniz. Örneğin minimum toplama eşikleri gibi çıktı kısıtlamaları yapılandırabilirsiniz. AWS Clean Rooms ML kullandığınızda, bir modeli eğitmek veya benzer bir segment oluşturmak için kullanılan temel veriler hiçbir zaman katılımcılar arasında paylaşılmaz, açıklanmaz veya AWS tarafından modelleri eğitmede kullanılmaz.

Program aracılığıyla tam kapsamlı erişim

Tümünü aç

Tüm AWS Clean Rooms işlevlerine AWS Yönetim Konsolu'na ek olarak API aracılığıyla da erişebilirsiniz. AWS Clean Rooms operasyonlarını otomatikleştirmek, Clean Rooms işlevlerini mevcut iş akışlarınıza ve ürünlerinize entegre etmek ya da müşterilerinize sunmak üzere kendi temiz oda teklifi sürümünüzü oluşturmak için AWS SDK'lerini veya komut satırı arabirimini (CLI) kullanabilirsiniz.

Yapılandırılabilir roller

Tümünü aç

AWS Clean Rooms iş birliği kurduğunuzda, iş birliğindeki her üye için özel SQL sorgulama kullanım örneklerinize uyacak farklı yetenekler belirleyebilirsiniz. Örneğin sorgu çıktısının farklı bir üyeye gitmesini istiyorsanız bir üyeyi SQL sorgusu yazabilen sorgu çalıştırıcısı olarak atarken sonuçları alabilecek SQL sorgu sonucu alıcısı olarak başka bir üyeyi belirleyebilirsiniz. Bu da iş birliği oluşturucusuna, sorgu yapabilen üyenin sorgu sonuçlarına erişimi olmadığından emin olma imkanı verir. Bir iş birliği kurduğunuzda, SQL sorgusu ödeme sorumluluklarını da yapılandırabilir ve sorgu çalıştırıcısına otomatik olarak giden faturalandırma yerine, iş birliğindeki sorgu işlem maliyetleri için faturalandırılacak seçilen bir üyeyi atayabilirsiniz. Bu da SQL sorumluluklarını sorgu çalıştırıcısına sabitlemek yerine çözüm ortaklarınızla iş birliği yapma konusunda daha fazla esneklik sağlar.

AWS Clean Rooms'da AWS Varlık Çözümü

Tümünü aç

AWS Clean Rooms'da AWS Varlık Çözümü ile siz ve katılımcılar, gizlilik açısından geliştirilmiş bir AWS Clean Rooms iş birliğinde ilgili müşteri kayıtlarını daha kolay hazırlayıp eşleştirebilirsiniz. Kural tabanlı veya veri hizmeti sağlayıcısı tabanlı eşleştirme tekniklerini kullanarak, reklam kampanyası planlaması, hedefleme ve ölçüm gibi kullanım örnekleri için veri eşleştirmesini iyileştirebilirsiniz. Kayıtları cihazlar, platformlar ve kanallar genelinde bir araya getirmek için, yapılandırılabilir eşleştirme mantığını veya LiveRamp gibi güvenilir veri hizmeti sağlayıcılarının veri kümelerini ve kimliklerini kullanabilirsiniz.

PySpark

Tümünü aç

AWS Temiz Odalardaki PySpark, sizin ve iş ortaklarınızın, Apache Spark için Python API'si PySpark'ı kullanarak büyük veri kümelerinde gelişmiş analizler çalıştırmanıza olanak tanır. Örneğin, bir reklam ölçüm sağlayıcısı, reklam etkinliğini ölçmek amacıyla özel algoritmalarını birden fazla yayıncı veri kümesinde aynı anda çalıştırmak için AWS Clean Rooms'da PySpark'ı kullanabilir. Benzer şekilde bir ilaç şirketi, tescilli verilerini paylaşmadan, klinik çalışmalarda ilaca bağlılığı değerlendirmek için uygun hasta onayı ile birden fazla sağlık hizmeti sağlayıcısı veri kümesinde kendi özel algoritmalarını ve kitaplıklarını çalıştırabilir.

Esnek SQL

Tümünü aç

Analiz kuralları, verilerinizin nasıl analiz edilebileceği konusunda size yerleşik denetim sağlayan kısıtlamalardır. Tayin edilmiş sorgu çalıştırıcılar olarak bir iş birliği oluşturan veya bir iş birliğine katılan iş birliği üyeleri, belirlediğiniz analiz kurallarına tabi şekilde veri tablolarınızla kesişecek ve bunları analiz edecek sorgular yazabilir. AWS Clean Rooms üç tür analiz kuralını destekler: toplama, listeme ve özel.

Toplama analizi kuralı: Toplama analizi kuralı, iki veri kümesinin kesişiminin ne kadar büyük olduğu gibi toplu istatistikler üreten sorguları çalıştırmanıza olanak tanır. Toplama analizi kuralını kullanırken, verilerinizde yalnızca toplama sorgularının çalıştırılabilmesini yürürlüğe koyabilir ve kör eşleşmelerde yalnızca hangi sütunların kullanılması gerektiği ve toplamlar, sayımlar veya ortalamalar gibi toplamalarda hangi sütunların kullanılabileceği gibi çalıştırılan sorguların belirli bölümlerinde kısıtlamalar uygulayabilirsiniz. Ayrıca çıktıdaki minimum toplama kısıtlamasını da denetlersiniz.  Döndürülecek çıktı satırları için koşullar belirlemenize olanak tanıyan minimum toplama kısıtlamaları da ayarlayabilirsiniz. Bu kısıtlamalar şu şekildedir: COUNT DISTINCT (Sütun) >= Eşik. Sorgu sonuçlarındaki bir çıktı satırı, kısıtlamaların hiçbirini sağlamıyorsa sonuç kümesinden kaldırılır. Bu özellik minimum toplama eşiklerinin otomatik olarak uygulanmasını sağlarken kendi seçtikleri sorguları yazabilen veri katılımcılarına esneklik sağlamanıza olanak tanır.

Liste analizi kuralı: Liste analizi kuralı, iki veri kümesinin örtüşmesi gibi birden çok veri kümesinin kesişme noktasının satır düzeyinde listesini çıkaran sorguları çalıştırmanıza olanak tanır. Listeleme analizi kuralını kullanırken, verilerinizde yalnızca listeleme sorgularının çalıştırılabilmesini yürürlüğe koyabilir ve kör eşleşmelerde yalnızca hangi sütunların kullanılması gerektiği ve çıktıda liste olarak hangi sütunların çıktısının alınabileceği gibi çalışan sorgularda kısıtlamalar uygulayabilirsiniz.

Özel analiz kuralı: Özel analiz kuralı, ortak tablo ifadeleri (CTE) ve pencere işlevleri gibi ANSI standardı SQL'nin çoğunu kullanarak özel sorgular oluşturmanıza olanak tanır. Ayrıca, iş birliği ortakları bunları çalıştırmadan önce sorguları inceleyebilir ve bunlara izin verebilir ve diğer katılımcıların sorgularını tablolarınızda çalıştırma izni verilmeden önce gözden geçirebilirsiniz. Özel analiz kuralını kullanırken, analizler tamamlandıktan sonra sorgu günlüklerine güvenmek yerine, temel verilerinizin nasıl analiz edilebileceğini önceden belirlemek veya sınırlamak için yerleşik denetimi kullanabilirsiniz. Özel SQL sorguları kullanırken, özel sorguları parametrelerle iş birliklerinde depolamak için analiz şablonları oluşturabilir veya kullanabilirsiniz. Bu da müşterilerin bir iş birliğinde birbirlerine daha kolay yardım etmelerini sağlar. Örneğin daha yüksek SQL deneyimine sahip bir üye, diğer üyelerin gözden geçirmesi ve çalıştırması ihtimali için şablonlar oluşturabilir. Ayrıca iş birliğinde yeniden kullanılabilir analizleri kolaylaştırır. Özel bir analiz kuralı seçerek ve ardından ayrımsal gizlilik parametrelerinizi yapılandırarak AWS Clean Rooms Ayrımsal Gizlilik analizini de kullanabilirsiniz.

AWS Clean Rooms Diferansiyel Gizlilik, birkaç adımda matematiksel olarak desteklenen ve sezgisel denetimlerle kullanıcılarınızın gizliliğini korumanıza yardımcı olur. Ayrımsal gizlilik, veri gizliliği korumasının titiz bir matematiksel tanımıdır. Ancak yapılandırması karmaşık olan bu tekniği etkili bir şekilde uygulamak için teorinin ve matematiksel olarak titiz formüllerin derinlemesine anlaşılmasını gerektirir. AWS Clean Rooms'un tam olarak yönetilen sezgisel bir özelliği olarak, kullanıcılarınızın tanımlanmasını önlemenize yardımcı olur. Bu özelliği kullanmak için önceden ayrımsal gizlilik deneyimine sahip olmanıza gerek yoktur. AWS Clean Rooms Ayrımsal Gizlilik, AWS Clean Rooms iş birliklerinde toplu çıktılarda herhangi bir bireyin verisinin katkısını gizler ve reklam kampanyaları, yatırım kararları, klinik araştırmalar ve daha fazlası hakkında öngörüleri ortaya çıkarmak üzere çok çeşitli SQL sorguları çalıştırmanıza yardımcı olur. AWS Clean Rooms iş birliğinizde özel bir analiz kuralı uygulayarak AWS Clean Rooms Ayrımsal Gizlilik'i ayarlayabilirsiniz. Ardından, AWS Clean Rooms Ayrımsal Gizlilik'i, belirli iş kullanım örneklerinize göre esnek olan ve yalnızca birkaç adımda uygulanabilen denetimlerle yapılandırabilirsiniz. AWS Clean Rooms Ayrımsal Gizlilik, çözüm ortaklarınızdan herhangi bir ek uzmanlık veya kurulum gerektirmeden birkaç basit seçenekle AWS Clean Rooms iş birliklerinde ayrımsal gizliliği etkinleştirmenizi kolaylaştırır.

Analiz Oluşturucu ile, işletme kullanıcıları SQL kodu yazmak veya anlamak zorunda kalmadan birkaç kolay adımda öngörü elde edebilir. Toplu veri kümelerinizle ilgili ölçümler, segmentler ve filtreler gibi otomatik önerilen kriterlere göre, her iş birliği katılımcısının tablolarında belirlediği veri kısıtlamalarına uygun sorgular oluşturmak için rehberlik içeren kullanıcı arabirimindeki adımları takip edebilirsiniz. Toplama veya listeme analizi kuralıyla yapılandırılmış bir veya iki tabloya sahip iş birliklerinde Analiz Oluşturucu'yu kullanın.

Kriptografik olarak korunan veriler üzerinde AWS Clean Rooms sorguları çalıştırabilirsiniz. Hassas verilerin şifrelenmesini gerektiren veri işleme politikalarınız varsa iş birliğine özgü, paylaşılan bir şifreleme anahtarı kullanarak verilerinizi önceden şifreleyebilirsiniz. Böylece veriler, sorguların çalıştırılması sırasında bile şifrelenir. Kriptografik bilgi işlem, iş birliği hesaplamalarında kullanılan verilerin bekleme, aktarım ve kullanım (işleme) sırasında şifreli kalmasını sağlar.

Temiz Odalar için Kriptografik Hesaplama (C3R), GitHub'da bulunan bir CLI'ye sahip açık kaynaklı bir Java SDK'dır. Bu özellik hiçbir ek ücret ödemeden kullanılabilir. Büyük verileriniz varsa C3R'nin Apache Spark'a nasıl entegre edilebileceğini görmek için belgeleri inceleyebilirsiniz.

Bu özellik, AWS'nin sunduğu esneklik, ölçeklenebilirlik, performans ve kullanım kolaylığından yararlanmanıza olanak sağlarken güvenlik ve uyumluluk gereksinimlerinizi karşılamanıza yardımcı olmak için tasarlanmış çok çeşitli AWS şifreleme bilgi işlem araç larının en yenisidir.

Gizliliği artırıcı ML

Tümünü aç

AWS Clean Rooms ML, sizin ve iş ortaklarınızın, ham verileri birbirleriyle paylaşmak zorunda kalmadan tahmine dayalı içgörüler oluşturmak için gizliliği artırıcı makine öğrenimini (ML) uygulamanıza yardımcı olur. AWS Clean Rooms ML, özel ve benzer makine öğrenimi (ML) modellemesini destekler. Özel modelleme ile, ortak çalışanlar arasında temel verileri veya fikri mülkiyeti paylaşmadan, eğitim için özel bir model getirebilir ve toplu veri kümeleri üzerinde çıkarım yürütebilirsiniz. Benzer modelleme ile, iş ortaklarınızın bir işbirliğine getirdiği küçük bir profil örneğine dayalı olarak genişletilmiş bir benzer profil kümesi oluşturmak için AWS tarafından yazılmış bir model kullanabilirsiniz.

AWS Clean Rooms ML, müşterilere birçok kullanım örneğinde yardımcı olur. Örneğin, reklamverenler tescilli modellerini ve verilerini Temiz Odalar işbirliğine dahil edebilir ve yayıncıları kampanya etkinliğini artırmalarına yardımcı olan özel bir ML modeli eğitmek ve dağıtmak için verilerine katılmaya davet edebilir; finans kurumları, özel bir ML modelini eğitmek için geçmiş işlem kayıtlarını kullanabilir ve potansiyel hileli işlemleri tespit etmek için ortakları Temiz Odalar işbirliğine davet edebilir; araştırma kurumları ve hastane ağları, klinik çalışmalarını hızlandırmak için mevcut klinik araştırma katılımcılarına benzer adaylar bulabilir; ve markalar ve yayıncılar, her iki şirket de temel verilerini diğeriyle paylaşmadan, pazardaki müşterilerin benzer segmentlerini modelleyebilir ve son derece alakalı reklam deneyimleri sunabilir.

AWS tarafından yazılan bir model kullanılarak AWS Clean Rooms ML benzer modelleme, e-ticaret ve video yayını gibi çeşitli veri kümelerinde oluşturulmuş ve test edilmiştir ve temsili endüstri temellerine kıyasla benzer modelleme doğruluğunu %36'ya kadar artırmanıza yardımcı olabilir. Yeni müşteriler arama gibi gerçek dünya uygulamalarında, bu doğruluk iyileştirmesi milyon dolarlık tasarruflar anlamına gelebilir.

AWS Clean Rooms, sizin ve iş ortaklarınızın, regresyon ve sınıflandırma makine öğrenimi (ML) modellerini eğitmek için toplu verilerinizden sentetik veri kümeleri oluşturmanıza olanak tanır. AWS Clean Rooms ML, tahmine dayalı içgörüler oluştururken tescilli verilerinizi ve ML modellerinizi korumaya yardımcı olmak için gizliliği artırıcı denetimler uygular. Gizliliği artıran bir kontrol olarak sentetik veri kümesi oluşturma, sizin ve iş ortaklarınızın orijinaline benzer istatistiksel özelliklere sahip eğitim veri kümeleri oluşturmanıza olanak tanır ve daha önce veri gizliliği endişeleriyle kısıtlanmış toplu veri kümeleri için yeni ML modeli eğitimi kullanım durumlarının kilidini açar.

AWS Clean Rooms ML'de özel makine öğrenimi için gizliliği artıran sentetik veri kümesi oluşturma, öznelerin (örneğin, verileri toplandığı kişiler veya varlıklar gibi) orijinal verilerde tanımlanmasını kaldırarak bir modelin veri kümesindeki bireylerle ilgili bilgileri ezberleme riskini azaltır. Sentetik veri kümesi oluşturma süreci, seçtiğiniz regresyon ve sınıflandırma algoritmalarıyla uyumlu veri kümeleri oluşturmak için optimize edilmiştir.