Recursos do AWS Clean Rooms

Com o AWS Clean Rooms, você pode colaborar facilmente com centenas de milhares de empresas que já usam a AWS sem precisar manter cópias dos dados fora do seu ambiente AWS ou carregá-los em outra plataforma. Depois de criar ou ingressar em uma colaboração, você pode configurar suas tabelas de dados no Catálogo de Dados do AWS Glue. Quando você corresponde registros, executa consultas, treina um modelo de ML ou gera insights preditivos, o AWS Clean Rooms lê os dados de onde eles estão. Quando você usa o AWS Entity Resolution no AWS Clean Rooms, os dados subjacentes usados para configurar um conjunto de dados que mapeia os identificadores de vários colaboradores nunca são compartilhados ou revelados entre os colaboradores. Ao usar a análise de consultas SQL, você pode especificar regras e restrições de consulta SQL permitidas em seus dados, que são aplicadas automaticamente para proteger os dados subjacentes de cada participante. Por exemplo, você pode configurar restrições como limites mínimos de agregação. Quando você usa o AWS Clean Rooms ML, os dados subjacentes usados para treinar um modelo ou gerar um segmento semelhante nunca são compartilhados ou revelados entre os colaboradores nem usados pela AWS para treinar modelos.

Além do Console de Gerenciamento da AWS, todas as funcionalidades do AWS Clean Rooms podem ser acessadas com uma API. É possível usar os AWS SDKs ou a interface de linha de comando (CLI) para automatizar as operações do AWS Clean Rooms, integrar a funcionalidade do Clean Rooms em seus fluxos de trabalho e produtos existentes ou criar sua própria versão de oferta de sala limpa para seus clientes.

Com o AWS Entity Resolution no AWS Clean Rooms, você e seus colaboradores podem preparar e combinar registros de clientes relacionados com mais facilidade, dentro de uma colaboração do AWS Clean Rooms com maior privacidade. Usando técnicas de correspondência baseadas em regras ou em provedores de serviços de dados, você pode melhorar a correspondência de dados para casos de uso, como planejamento, segmentação e medição de campanhas publicitárias. Você pode usar lógica de correspondência configurável ou conjuntos de dados e IDs de provedores de serviços de dados confiáveis, como o LiveRamp, para conectar registros entre dispositivos, plataformas e canais.

As regras de análise são restrições que fornecem controle integrado de como seus dados podem ser analisados. Os membros da colaboração que criam ou ingressam em uma colaboração como executores de consulta designados podem gravar consultas para cruzar e analisar suas tabelas de dados de acordo com as regras de análise definidas por você. O AWS Clean Rooms oferece suporte a três tipos de regras de análise: agregação, listas e personalizada.

Regra de análise de agregação: a regra de análise de agregação permite executar consultas que geram estatísticas agregadas, como a definição do tamanho da interseção de dois conjuntos de dados. Ao usar a regra de análise de agregação, é possível impor que somente consultas de agregação possam ser executadas em seus dados e impor restrições em partes específicas das consultas executadas, como quais colunas devem ser usadas somente em uma correspondência oculta e quais colunas podem ser usadas em agregações como somas, contagens ou médias. Você também controla a restrição mínima de agregação na saída.  Restrições mínimas de agregação permitem que você defina condições para retornos de linhas de saída. Essas restrições estão no formato de CONTAGEM DISTINTA (Coluna) >= Limite. Se uma linha de saída nos resultados da consulta não atender a nenhuma das restrições, ela será removida do conjunto de resultados. Isso ajuda você a garantir que os limites mínimos de agregação sejam aplicados automaticamente, ao mesmo tempo em que oferece flexibilidade aos colaboradores de dados que podem escrever consultas de sua escolha.

Regra de análise de listas: a regra de análise de listas permite executar consultas que extraem a lista em nível de linha da interseção de vários conjuntos de dados, como a sobreposição de dois conjuntos de dados. Ao usar a regra de análise de listas, é possível impor que somente consultas de listas possam ser executadas em seus dados e impor restrições para as consultas executadas, como quais colunas devem ser usadas somente em uma correspondência oculta e quais colunas podem ser geradas como uma lista na saída.

Regra de análise personalizada: a regra de análise personalizada permite criar consultas personalizadas usando a maior parte do SQL padrão ANSI, como expressões de tabela comuns (CTE) e funções de janela. Você também pode revisar e permitir consultas antes que os parceiros de colaboração as executem e revisar as consultas de outros colaboradores antes que elas possam ser executadas em suas tabelas. Ao usar a regra de análise personalizada, você pode usar o controle integrado para determinar ou limitar, antecipadamente, como seus dados subjacentes podem ser analisados, em vez de depender dos logs de consulta após a conclusão das análises. Ao usar consultas SQL personalizadas, você também pode criar ou usar modelos de análise para armazenar consultas personalizadas com parâmetros nas colaborações. Isso permite que os clientes se ajudem mais facilmente em uma colaboração. Por exemplo, um membro com maior experiência em SQL pode criar modelos para outros membros analisarem e potencialmente executarem. Também facilita análises reutilizáveis na colaboração. Você também pode usar o AWS Clean Rooms Differential Privacy selecionando uma regra de análise personalizada e, em seguida, configurando seus parâmetros diferenciais de privacidade.

O AWS Clean Rooms Differential Privacy ajuda a proteger a privacidade dos seus usuários com controles intuitivos e baseados em matemática com apenas algumas etapas. A privacidade diferencial é uma definição matemática rigorosa da proteção da privacidade de dados. No entanto, configurar essa técnica é uma tarefa complexa e requer uma compreensão aprofundada da teoria e das fórmulas matematicamente rigorosas para aplicá-la de forma eficaz. O AWS Clean Rooms Differential Privacy é um recurso intuitivo e totalmente gerenciado do AWS Clean Rooms que ajuda você a evitar a reidentificação de seus usuários. Você não precisa ter experiência em privacidade diferencial para usar esse recurso. O AWS Clean Rooms Differential Privacy ofusca a contribuição dos dados de qualquer pessoa a partir de resultados agregados de colaboração do AWS Clean Rooms e ajuda você a executar uma ampla variedade de consultas SQL para obter insights sobre campanhas publicitárias, decisões de investimento, pesquisas clínicas e muito mais. Você pode configurar o AWS Clean Rooms Differential Privacy aplicando uma regra de análise personalizada em sua colaboração com o AWS Clean Rooms. Em seguida, você pode configurar o AWS Clean Rooms Differential Privacy com controles que são flexíveis para seus casos de uso comerciais específicos e que podem ser aplicados em apenas algumas etapas. O AWS Clean Rooms Differential Privacy facilita a habilitação da privacidade diferencial nas colaborações do AWS Clean Rooms com algumas opções simples, tudo sem exigir nenhuma experiência ou configuração adicional de seus parceiros.

Ao configurar uma colaboração do AWS Clean Rooms, você pode especificar habilidades diferentes para cada membro da colaboração, de acordo com seus casos de uso específicos de consulta SQL. Por exemplo, se você quiser que a saída da consulta vá para um membro diferente, você pode designar um membro como executor de consultas SQL que pode escrever consultas e outro membro como receptor de resultados de consultas SQL que pode receber os resultados. Isso dá ao criador da colaboração a capacidade de garantir que o membro que pode fazer consultas não tenha acesso aos resultados das consultas. Ao configurar uma colaboração, você também pode configurar as responsabilidades de pagamento das consultas SQL e designar um membro escolhido para ser cobrado pelos custos de computação das consultas na colaboração, em vez de o faturamento ir automaticamente para o executor da consulta. Isso dá mais flexibilidade para colaborar com seus parceiros para designar responsabilidades de SQL em vez de ancorá-las no executor de consultas.

Com o Analysis Builder, os usuários empresariais podem obter insights em algumas etapas com facilidade e sem a necessidade de escrever ou compreender SQL. É possível seguir as etapas na interface do usuário guiada para criar consultas compatíveis com as restrições de dados que cada colaborador definiu em suas tabelas com base em critérios sugeridos automaticamente, como métricas, segmentos e filtros relacionados aos seus conjuntos de dados coletivos. Use o Analysis Builder em colaborações que tenham uma ou duas tabelas configuradas com regra de análise de listas ou de agregação.

O AWS Clean Rooms ML ajuda você e seus parceiros a aplicar machine learning (ML) de reforço à privacidade, a fim de gerar informações preditivas sem exigir o compartilhamento mútuo de dados brutos. O AWS Clean Rooms ML oferece suporte à modelagem personalizada e semelhante de machine learning (ML). Com a modelagem personalizada, é possível trazer um modelo personalizado para treinamento e executar inferências em conjuntos de dados coletivos, sem fazer o compartilhamento de dados subjacentes ou propriedade intelectual entre colaboradores. Com a modelagem semelhante, é possível usar um modelo criado pela AWS para gerar um conjunto expandido de perfis semelhantes de acordo com uma pequena amostra de perfis trazidos por seus parceiros em uma colaboração.

O AWS Clean Rooms ML ajuda clientes com vários casos de uso. Por exemplo, os anunciantes podem incluir seus modelos e dados privados em uma colaboração no Clean Rooms e convidar publicadores a agregar seus dados para treinar e implantar um modelo de ML personalizado que os ajude a aumentar a eficácia da campanha; instituições financeiras podem usar registros históricos de transações para treinar um modelo personalizado de ML e convidar parceiros para uma colaboração no Clean Rooms a fim de detectar transações potencialmente fraudulentas; instituições de pesquisa e redes hospitalares podem encontrar candidatos semelhantes aos participantes de ensaios clínicos existentes para ajudar a acelerar os estudos clínicos; e marcas e publicadores podem modelar segmentos semelhantes de clientes no mercado e oferecer experiências publicitárias altamente relevantes, sem que nenhuma das empresas compartilhe os dados subjacentes com a outra.

A modelagem semelhante AWS Clean Rooms ML, que utiliza a criação de modelo AWS, foi criada e testada em uma ampla variedade de conjuntos de dados, como comércio eletrônico e streaming de vídeo, e ela pode ser útil para que os clientes melhorem a precisão de modelagem semelhante em até 36% em comparação com referências representativas do setor. Em aplicações do mundo real, como a prospecção de novos clientes, essa melhoria na precisão pode se traduzir em uma economia de milhões de dólares.

Você pode executar consultas do AWS Clean Rooms em dados protegidos por criptografia. Se você tiver políticas de tratamento de dados que exijam a criptografia dos dados confidenciais, poderá pré-criptografar os dados usando uma chave de criptografia compartilhada específica para colaboração para que os dados fiquem criptografados mesmo enquanto as consultas estiverem sendo executadas. A computação criptográfica garante que os dados usados em computações colaborativas permaneçam criptografados: em repouso, em trânsito e em uso (enquanto estão sendo processados).

Cryptographic Computing for Clean Rooms (C3R) é um Java SDK de código aberto com uma CLI disponível no GitHub. Esse atributo é disponibilizado sem custo adicional. Caso tenha big data, você pode consultar a documentação para ver como o C3R pode ser integrado ao Apache Spark.

Esse atributo é o mais recente de uma ampla gama de ferramentas de computação criptográfica da AWS criadas para ajudar você a atender às suas necessidades de segurança e conformidade, permitindo aproveitar a flexibilidade, a escalabilidade, a performance e a facilidade de uso oferecidas pela AWS.