Preguntas frecuentes sobre AWS Clean Rooms

AWS Clean Rooms ML le permite a usted y a sus socios aplicar el machine learning (ML) para mejorar la privacidad y generar información predictiva sin tener que compartir datos sin procesar entre sí. AWS Clean Rooms ML admite modelos de machine learning (ML) personalizados y similares. Con el modelado personalizado, puede incorporar un modelo personalizado para el entrenamiento y ejecutar inferencias en conjuntos de datos colectivos, sin compartir los datos subyacentes o la propiedad intelectual entre los colaboradores. Con el modelado similar, puede usar un modelo creado por AWS para generar un conjunto ampliado de perfiles similares a partir de una pequeña muestra de perfiles que sus socios aportan a una colaboración.

AWS Clean Rooms ML ayuda a los clientes con varios casos de uso. Por ejemplo, los anunciantes pueden incorporar su modelo y sus datos propios a una colaboración de Clean Rooms e invitar a los editores a unir sus datos para entrenar e implementar un modelo de machine learning personalizado que les ayude a aumentar la eficacia de la campaña; las instituciones financieras pueden utilizar los registros históricos de transacciones para entrenar un modelo de aprendizaje automático personalizado e invitar a los socios a una colaboración de Clean Rooms para detectar posibles transacciones fraudulentas; las instituciones de investigación y las redes hospitalarias pueden encontrar candidatos similares a los participantes de los ensayos clínicos actuales para ayudar a acelerar los ensayos clínicos estudios; y las marcas y los editores pueden modelar segmentos similares de clientes del mercado y ofrecer experiencias publicitarias muy relevantes, sin que ninguna de las empresas comparta sus datos subyacentes con la otra.

Con el modelado personalizado de AWS Clean Rooms ML, puede combinar sus propios modelos, algoritmos y datos de machine learning (ML) con sus socios para entrenar modelos de machine learning y ejecutar inferencias en conjuntos de datos colectivos sin tener que compartir datos confidenciales o modelos de ML patentados.

El modelado personalizado de AWS Clean Rooms ML admite los flujos de trabajo de inferencia de ML y entrenamiento de ML. Para ambos flujos de trabajo, comience por definir una consulta SQL de AWS Clean Rooms Spark que se utiliza para generar un conjunto de datos para el paso de entrenamiento o inferencia. El conjunto de datos intermedio se mantiene dentro de la colaboración de sala limpia y solo se puede usar para tareas aprobadas de AWS Clean Rooms ML. El segundo paso es el entrenamiento o la inferencia del modelo de ML. Los modelos y el código de ML se empaquetan en una imagen de contenedor. Un modelo entrenado puede conservarse en la colaboración y usarse como parte de un flujo de trabajo de inferencia. Con AWS Clean Rooms ML, sus datos solo se utilizan para entrenar su modelo personalizado y no se comparten entre colaboradores ni se utilizan para el entrenamiento de modelos de AWS. Puede eliminar sus datos de Clean Rooms ML o eliminar un modelo personalizado cuando lo desee, y puede aplicar controles que mejoren la privacidad para proteger los datos confidenciales que aporta a una colaboración. Para aplicar el modelado personalizado de AWS Clean Room ML, debe usar Spark SQL como motor de análisis.

Con el modelado similar a AWS Clean Rooms ML, puede usar un modelo creado por AWS para generar un conjunto ampliado de perfiles similares a partir de una pequeña muestra de perfiles que sus socios aportan a una colaboración y, al mismo tiempo, protegen sus datos subyacentes y los de su socio. Puede invitar a sus socios a una sala limpia y aplicar el modelo de ML creado por AWS, que se alimente de cada colaboración para generar conjuntos de datos similares en unos pocos pasos, lo que ahorra meses de trabajo de desarrollo para crear, entrenar, ajustar e implementar su propio modelo. El modelado similar de AWS Clean Rooms ML se creó y probó en varios conjuntos de datos, como el comercio electrónico y la transmisión de video, y puede ayudar a sus clientes a mejorar la precisión de los modelos similares en hasta un 36 %, en comparación con las bases de referencia representativas del sector. En aplicaciones del mundo real, como la prospección de nuevos clientes, esta mejora de la precisión puede traducirse en ahorros de millones de dólares.

La protección de datos comienza con la base de seguridad de AWS, y AWS Clean Rooms se basa en los servicios de seguridad de AWS, incluidos AWS Identity and Access Management (IAM), AWS Key Management Service (KMS) y AWS CloudTrail. Esto le permite extender su estrategia de protección de datos actual a las cargas de trabajo de colaboración de datos. Gracias a AWS Clean Rooms, ya no tendrá que almacenar los datos ni mantener una copia fuera del entorno de AWS, ni enviarlos a terceros para realizar análisis con el fin de obtener información sobre los consumidores, realizar mediciones de marketing, hacer previsiones o evaluar riesgos.

Al configurar una colaboración de AWS Clean Rooms y utilizar el análisis de SQL, puede especificar diferentes capacidades para cada miembro de la colaboración para que se adapten a sus casos de uso específicos. Por ejemplo, si desea que el resultado de la consulta vaya a otro miembro, puede designar a un miembro como el ejecutor de la consulta que puede escribirlas y a otro miembro como el receptor de los resultados de la consulta que puede recibirlos. Esto permite al creador de la colaboración asegurarse de que el miembro que puede realizar consultas no tenga acceso a los resultados de la consulta.

Con AWS Clean Rooms puede proteger los datos, pues le permite restringir el tipo de consultas o consultas específicas que se pueden ejecutar en sus tablas de datos mediante la configuración de reglas de análisis. AWS Clean Rooms admite tres tipos de reglas de análisis: agregación, lista y personalizadas. Las reglas de análisis de agregación sirven para configurar la tabla de manera que solo se permitan las consultas que generen estadísticas agregadas (como la atribución o la medición de campañas). Las reglas de análisis de lista permiten configurar los controles de manera que las consultas únicamente puedan analizar el punto de intersección de sus conjuntos de datos con los de los miembros que pueden realizar consultas. Con la regla de análisis personalizada, puede configurar los controles a nivel de consulta para permitir que se ejecuten cuentas o consultas específicas en su conjunto de datos. Al utilizar reglas de análisis personalizadas, puede optar por utilizar la privacidad diferencial. La privacidad diferencial de AWS Clean Rooms lo ayuda a proteger la privacidad de sus usuarios con controles intuitivos y respaldados matemáticamente en unos pocos clics. Al ser una capacidad totalmente gestionada de AWS Clean Rooms, no se necesita experiencia previa en privacidad diferencial para ayudarlo a evitar la reidentificación de sus usuarios. Otro control son los umbrales de agregación, que impiden que las consultas se extraigan en grupos pequeños que podrían volver a identificarse.

Con AWS Clean Rooms ML, sus datos solo se utilizan para entrenar su modelo y no para el entrenamiento de modelos de AWS. AWS Clean Rooms ML no utiliza los datos de segmentos de capacitación o similares de ninguna empresa con otra y puede eliminar sus datos de modelo y capacitación cuando lo desee.

No. Los conjuntos de datos se almacenan en las cuentas de AWS de los colaboradores. AWS Clean Rooms lee temporalmente los datos de las cuentas de los colaboradores para ejecutar consultas, emparejar registros, entrenar modelos de machine learning o ampliar los segmentos iniciales. Los resultados de un análisis se envían a la ubicación S3 diseñada para el análisis.

AWS Entity Resolution e AWS Clean Rooms genera un conjunto de datos que asigna los identificadores de todas las partes en una colaboración. AWS Clean Rooms administra el conjunto de datos de asignación. Ningún miembro de la colaboración puede ver o descargar la tabla de asignación. Si todos los miembros de la colaboración están de acuerdo en flexibilizar esta medida de privacidad, pueden consultar la tabla de asignación para casos prácticos particulares. Cualquiera de las partes puede eliminar la tabla en cualquier momento.

El servicio almacena los modelos generados por AWS Clean Rooms ML, se pueden cifrar con una clave de AWS KMS administrada por el cliente y el cliente puede eliminarlos en cualquier momento.

Las reglas de análisis y cifrado de AWS Clean Rooms permiten ejercer un control preciso sobre el tipo de información que se desea compartir. Como colaborador de datos, es responsable de evaluar el riesgo que conlleva cada colaboración, incluido el riesgo de reidentificación, y de llevar a cabo una diligencia debida adicional para garantizar que se cumple con todas las leyes en materia de privacidad de datos. Si los datos que comparte son confidenciales o están sujetos a regulaciones, recomendamos que también utilice acuerdos legales y mecanismos de auditoría apropiados para reducir aún más los riesgos de privacidad.

Sí. Las Condiciones de servicio de AWS prohíben determinados casos de uso para colaboraciones en AWS Clean Rooms.

Sí, el programa de AWS de conformidad con la HIPAA incluye AWS Clean Rooms como un servicio que cumple con los requisitos de la HIPAA. Si ha firmado un acuerdo de asociación empresarial (BAA) con AWS, ahora puede utilizar AWS Clean Rooms para crear colaboraciones que cumplan con la HIPAA. Si no tiene un BAA o si tiene otras preguntas acerca del uso de AWS en sus aplicaciones en conformidad con HIPAA, contacte con nosotros para obtener más información.

Para obtener más información, consulte los siguientes recursos:

La página Conformidad con HIPAA de AWS

La página Computación en la nube de AWS en el sector de la sanidad

Puede optar por utilizar el motor de análisis de Spark para ejecutar consultas con el dialecto SQL de Spark en las colaboraciones de AWS Clean Rooms. AWS Clean Rooms Spark SQL ofrece tamaños de procesamiento configurables para proporcionar un mayor control sobre el rendimiento de precio al ejecutar cargas de trabajo de SQL. Para aplicar la privacidad diferencial de AWS Clean Rooms o utilizar reglas de agregación y lista de análisis en una colaboración, debe usar SQL como el motor de análisis.

AWS Clean Rooms Spark SQL usa el tipo de instancia predeterminado CR.1X, que proporciona 4 CPU virtuales, 30 GB de memoria y 100 GB de almacenamiento. Puede optar por asignar más recursos para ejecutar sus cargas de trabajo de Spark SQL al seleccionar el tipo de instancia CR.4X más grande, que proporciona 16 CPU virtuales, 120 GB de memoria y 400 GB de almacenamiento. Los tamaños de instancia más grandes pueden beneficiar a las cargas de trabajo de SQL que procesan grandes volúmenes de datos y realizan análisis complejos, lo que ayuda a distribuir las cargas de trabajo entre una mayor cantidad de recursos. Obtenga más información sobre CPU virtuales, la memoria y el almacenamiento asociados a cada configuración aquí.

En las reglas de análisis, configure controles a nivel de columna que le ayudan a definir cómo se puede utilizar cada columna a la hora de realizar consultas. Por ejemplo, es posible especificar qué columnas se pueden utilizar para calcular estadísticas agregadas, como SUM(price), y qué columnas se pueden utilizar para unir la tabla con otros miembros de la colaboración. En las reglas de análisis de agregación, también se puede definir un umbral mínimo de agregación que debe cumplir cada fila de salida. AWS Clean Rooms excluirá automáticamente las filas que no cumplan el umbral mínimo.

Sí. Podrá configurar AWS Clean Rooms para publicar registros de consulta en Registros de Amazon CloudWatch. Con la regla de análisis personalizada, también puede revisar las consultas (almacenadas en plantillas de análisis) antes de que se ejecuten en la colaboración. 

La privacidad diferencial es un marco matemáticamente probado que ayuda a la protección de la privacidad de los datos. El principal beneficio de la privacidad diferencial es que ayuda a proteger los datos a nivel individual al agregar una cantidad controlada de aleatoriedad (ruido) para ocultar la presencia o ausencia de un solo individuo en un conjunto de datos que se está analizando.

La privacidad diferencial de AWS Clean Rooms lo ayuda a proteger la privacidad de sus usuarios con controles intuitivos y respaldados matemáticamente en unos pocos pasos. Al ser una capacidad totalmente gestionada de AWS Clean Rooms, no se necesita experiencia previa en privacidad diferencial para ayudarlo a evitar la reidentificación de sus usuarios. La privacidad diferencial de AWS Clean Rooms oculta la contribución de los datos de cualquier persona a la hora de generar información agregada en las colaboraciones, de modo que puede ejecutar una amplia gama de consultas de SQL para generar información sobre campañas publicitarias, decisiones de inversión, investigaciones clínicas y más.

Puede empezar a utilizar la privacidad diferencial de AWS Clean Rooms con unos pocos pasos después de iniciar o unirse a una colaboración de AWS Clean Rooms como miembro con capacidad para aportar datos. Una vez que haya creado una tabla configurada, que es una referencia a su tabla en el catálogo de datos de AWS Glue, simplemente elija activar la privacidad diferencial y, al mismo tiempo, añadir una regla de análisis personalizada a la tabla configurada cuando utilice el motor de análisis SQL. A continuación, asocie la tabla configurada a su colaboración de AWS Clean Rooms y configure una política de privacidad diferencial en la colaboración para que la tabla esté disponible para consultas. Puede usar una política predeterminada para completar rápidamente la configuración o personalizarla para cumplir con sus requisitos específicos. Para aplicar la privacidad diferencial de AWS Clean Rooms en una colaboración, debe usar SQL como el motor de análisis.

Una vez que se haya configurado la privacidad diferencial de AWS Clean Rooms, su socio de colaboración podrá empezar a ejecutar consultas en su tabla, sin necesidad de que sus socios tengan experiencia en conceptos de privacidad diferencial ni configuraciones adicionales. Con la privacidad diferencial de AWS Clean Rooms, los ejecutores de consultas pueden ejecutar análisis personalizados y flexibles, incluidos patrones de consulta complejos con expresiones comunes de tabla (CTE) y funciones agregadas de uso común, como COUNT y SUM.

La computación criptográfica es un método para proteger y cifrar datos confidenciales mientras se utilizan. Los datos se pueden cifrar en reposo cuando se almacenan, en tránsito cuando se transmiten y cuando se utilizan. El cifrado consiste en convertir los datos que se encuentran en texto plano en datos codificados que no se pueden descifrar sin una “clave” específica. La intersección de conjuntos privados (PSI) es un tipo de computación criptográfica que permite a dos o más partes que poseen conjuntos de datos comparar versiones cifradas para realizar computaciones. El cifrado se efectúa en el entorno en las instalaciones con la clave secreta compartida del colaborador. C3R está disponible tanto para el motor de análisis SQL de Spark como para el motor de análisis de SQL.

AWS Clean Rooms incluye computación criptográfica para salas limpias (C3R), que ofrece la posibilidad de cifrar previamente los datos mediante una herramienta de cifrado del cliente, ya sea un SDK o una interfaz de la línea de comandos (CLI), que utiliza una clave secreta compartida con otros participantes en una colaboración de AWS Clean Rooms. Esto cifra los datos a medida que se ejecutan las consultas.