- Analitik›
- AWS Clean Rooms›
- FAQ
FAQ AWS Clean Rooms
Umum
Apa itu AWS Clean Rooms?
AWS Clean Rooms memudahkan Anda dan partner Anda untuk menganalisis serta berkolaborasi pada set data kolektif guna memperoleh wawasan baru tanpa perlu mengungkap data yang mendasarinya satu sama lain. Anda dapat menggunakan AWS Clean Rooms untuk membuat kamar bersih Anda sendiri dalam hitungan menit, dan mulai menganalisis set data kolektif Anda dengan partner Anda dengan beberapa langkah. Dengan AWS Clean Rooms, Anda dapat secara mudah berkolaborasi dengan ratusan ribu perusahaan yang telah menggunakan AWS tanpa perlu mengeluarkan data dari AWS atau memuatnya ke dalam platform lain.
Apa itu kolaborasi di AWS Clean Rooms?
Kolaborasi AWS Clean Rooms adalah batasan logis yang aman yang memungkinkan anggota kolaborasi menjalankan kueri SQL dan melakukan pemodelan ML tanpa berbagi data mentah dengan partner mereka. Hanya perusahaan yang telah diundang ke kolaborasi yang dapat bergabung dengan kolaborasi tersebut. Beberapa peserta dapat mengontribusikan data ke kolaborasi, dan satu anggota dapat menerima hasil. Hanya perusahaan yang telah diundang yang dapat bergabung dengan kolaborasi AWS Clean Rooms.
Tipe teknik analisis apa yang tersedia di AWS Clean Rooms?
Dari Konsol Manajemen AWS, Anda dapat memilih jenis analisis yang ingin Anda lakukan, partner yang ingin Anda ajak kolaborasi, dan set data yang ingin Anda kontribusikan untuk kolaborasi. Dengan AWS Clean Rooms, Anda dapat melakukan dua jenis analisis, kueri SQL dan machine learning.
Saat Anda menjalankan kueri SQL dan SQL Spark, AWS Clean Rooms akan membaca data tempat data tersebut berada dan menerapkan aturan analisis bawaan yang fleksibel untuk membantu mempertahankan kontrol atas data Anda. AWS Clean Rooms menyediakan berbagai set kontrol SQL peningkatan privasi, termasuk kontrol kueri, batasan output kueri, dan pencatatan kueri, yang memungkinkan Anda untuk menyesuaikan batasan kueri yang dijalankan oleh setiap peserta kamar bersih. Anda dapat menggunakan mesin analitik Spark untuk menjalankan kueri menggunakan dialek SQL Spark dengan kolaborasi AWS Clean Rooms. SQL Spark AWS Clean Rooms menawarkan ukuran komputasi yang dapat dikonfigurasi untuk memberikan fleksibilitas yang ditingkatkan agar dapat menyesuaikan dan mengalokasikan sumber daya guna menjalankan kueri SQL berdasarkan performa, skala, dan persyaratan biaya Anda. SQL Spark AWS Clean Rooms hanya tersedia untuk aturan analisis kustom. Privasi Diferensial AWS Clean Rooms membantu Anda melindungi privasi pengguna Anda dengan kontrol intuitif dan didukung secara matematis dalam beberapa klik. Dengan mesin analitik SQL, Anda dapat menggunakan Privasi Diferensial AWS Clean Rooms dengan memilih aturan analisis khusus, lalu mengonfigurasi parameter privasi diferensial yang Anda inginkan. Selain itu, Komputasi Kriptografis untuk Clean Rooms (C3R) membantu Anda menjaga data sensitif tetap terenkripsi selama analisis SQL Anda saat menggunakan mesin analitik Spark atau mesin analitik SQL untuk menjalankan kueri Anda. Untuk menerapkan Privasi Diferensial AWS Clean Rooms atau menggunakan aturan agregasi atau analisis daftar dalam kolaborasi, Anda harus menggunakan SQL sebagai mesin analitik.
AWS Clean Rooms ML membantu Anda dan partner Anda menerapkan machine learning (ML) yang meningkatkan privasi untuk menghasilkan wawasan prediktif tanpa harus berbagi data mentah satu sama lain. AWS Clean Rooms ML mendukung pemodelan machine learning (ML) khusus dan mirip. Dengan pemodelan khusus, Anda dapat membawa model khusus untuk pelatihan dan menjalankan inferensi pada set data kolektif, tanpa berbagi data dasar atau kekayaan intelektual di antara kolaborator. Dengan pemodelan yang mirip, Anda dapat menggunakan model yang disusun AWS untuk menghasilkan serangkaian profil serupa yang diperluas berdasarkan sampel kecil profil yang dibawa partner Anda ke kolaborasi.
Pemodelan mirip AWS Clean Rooms ML dibangun dan diuji di berbagai set data, seperti e-commerce dan video streaming, dan dapat membantu pelanggan meningkatkan akurasi pemodelan serupa hingga 36%, jika dibandingkan dengan garis acuan industri yang representatif. Dalam aplikasi dunia nyata seperti mencari pelanggan baru, peningkatan akurasi ini dapat menghasilkan penghematan jutaan dolar.
Bagaimana cara mulai menggunakan AWS Clean Rooms?
Menggunakan Konsol Manajemen AWS atau operasi API, Anda akan membuat kolaborasi kamar bersih, mengundang perusahaan yang ingin Anda ajak berkolaborasi, dan memilih satu peserta kolaborasi yang dapat menjalankan analisis di dalam kolaborasi. Peserta kemudian dapat mengatur aturan tentang bagaimana dapat melakukan kueri pada data terstruktur dan melatih model ML pada data mereka. Set data tidak disalin dari akun peserta dan hanya diakses saat diperlukan. Dengan AWS Clean Rooms, Anda dapat memilih jenis analisis yang ingin Anda lakukan: kueri SQL dan pemodelan ML menggunakan ML AWS Clean Rooms. Saat menggunakan kueri SQL, Anda juga menggunakan kemampuan tambahan seperti pembuat analisis tanpa kode, Privasi Diferensial AWS Clean Rooms, dan komputasi kriptografis. Setelah peserta kolaborasi menghubungkan data atau model ke kolaborasi dan analisis telah berjalan, output kolaborasi akan disimpan dalam bucket Amazon Simple Storage Service (Amazon S3) yang ditunjuk.
Berapa jumlah maksimal anggota dalam satu kolaborasi?
AWS Clean Rooms mendukung hingga lima peserta per kolaborasi.
Siapa yang menentukan pemilik akses ke kolaborasi AWS Clean Rooms?
Anda mengontrol siapa yang dapat berpartisipasi dalam kolaborasi AWS Clean Rooms, dan Anda dapat membuat kolaborasi atau bergabung melalui undangan untuk berkolaborasi. Partisipasi bersifat transparan bagi setiap pihak dalam kolaborasi, dan akun baru tidak dapat ditambahkan setelah kolaborasi dibuat. Namun, Anda dapat menyiapkan kolaborasi baru dengan pelanggan atau partner yang berbeda jika diperlukan. Anda membuat dan mengelola akses ke konten, dan Anda juga mengatur akses ke layanan serta sumber daya AWS melalui pengguna, grup, izin, dan kredensial yang Anda kontrol.
Siapa saja yang dapat memperoleh wawasan dari kolaborasi AWS Clean Rooms?
Pelanggan dapat menghasilkan wawasan menggunakan pemodelan SQL atau ML AWS Clean Rooms pada set data kolektif mereka dengan partner mereka—tanpa berbagi atau mengungkapkan data yang mendasarinya.
Dengan SQL, beberapa kolaborator dapat menyumbangkan data, tetapi hanya satu kolaborator yang dapat menjalankan kueri SQL dan hanya satu yang dapat menerima hasilnya. Saat bergabung dengan kolaborasi, kolaborator menyetujui pihak mana yang akan menjalankan kueri, pihak mana yang akan menerima hasilnya, dan pihak mana yang akan bertanggung jawab atas biaya komputasi. Hanya mereka yang Anda undang ke kolaborasi itu yang dapat memperoleh wawasan berdasarkan aturan analisis yang Anda buat. Saat mengatur kolaborasi AWS Clean Rooms, Anda dapat menentukan kemampuan yang berbeda untuk setiap anggota kolaborasi agar sesuai dengan kasus penggunaan spesifik Anda. Misalnya, jika Anda ingin output kueri menuju ke anggota yang berbeda, Anda dapat menunjuk satu anggota sebagai runner kueri yang dapat menulis kueri dan anggota lain sebagai penerima hasil kueri yang dapat menerima hasil. Hal ini memberi kemampuan kepada pencipta kolaborasi untuk memastikan bahwa anggota yang dapat mengueri tidak memiliki akses ke hasil kueri.
Dengan ML AWS Clean Rooms, kolaborator membawa kumpulan catatan sampel berdasarkan segmen serupa mana yang ingin mereka temukan dari partner mereka; pihak lain memiliki populasi yang lebih besar sehingga kami menghasilkan segmen serupa berdasarkan kemiripannya dengan catatan sampel. ML AWS Clean Rooms akan mengirimkan segmen serupa output ke tujuan yang ditentukan oleh pihak yang membawa populasi lebih besar yang menjadi asal segmen serupa tersebut.
Apakah AWS Clean Rooms menyediakan fitur resolusi entitas agar saya dapat mencocokkan data saya dengan data partner?
Resolusi Entitas AWS terintegrasi secara native di AWS Clean Rooms. Anda dapat menggunakan pencocokan berbasis aturan atau penyedia layanan data untuk menyiapkan, mencocokkan, dan menautkan data pengguna Anda dengan data partner menggunakan kunci umum yang Anda pilih untuk digunakan (seperti pengidentifikasi pseudonim), dalam kolaborasi AWS Clean Rooms yang privasinya ditingkatkan.
Di Wilayah AWS manakah AWS Clean Rooms tersedia?
AWS Clean Rooms tersedia di AS Timur (Ohio), AS Timur (Virginia Utara), AS Barat (Oregon), Asia Pasifik (Seoul), Asia Pasifik (Singapura), Asia Pasifik (Sydney), Asia Pasifik (Tokyo), Eropa (Frankfurt), Eropa (Irlandia), Eropa (London), dan Eropa (Stockholm).
Siapa yang membayar kolaborasi di AWS Clean Rooms?
Dengan AWS Clean Rooms, Anda dapat menggunakan aturan analisis SQL yang fleksibel dan ML yang meningkatkan privasi untuk memenuhi kebutuhan bisnis Anda. Saat Anda menggunakan analisis SQL, Anda dapat secara fleksibel memilih kolaborator manakah yang membayar kapasitas komputasi kueri SQL yang dijalankan di kolaborasi, dalam unit pemrosesan kamar bersih (CRPU)–jam berdasarkan per detik (dengan biaya minimum 60 detik ). Saat Anda menggunakan ML AWS Clean Rooms, Anda hanya membayar untuk pelatihan model yang Anda minta, dan untuk segmen serupa yang dibuat, berdasarkan harga per 1.000 profil. Untuk informasi selengkapnya, lihat harga AWS Clean Rooms.
Siapa yang membayar untuk menggunakan teknik pencocokan Resolusi Entitas AWS di AWS Clean Rooms
Dengan Resolusi Entitas AWS di AWS Clean Rooms, Anda dapat menggunakan set data penyedia yang memanfaatkan pencocokan berbasis aturan atau penyedia layanan data (seperti LiveRamp).
Saat Anda menggunakan pencocokan berbasis aturan, setidaknya satu anggota dalam kolaborasi diharuskan menyiapkan data mereka sebelum dicocokkan dengan set data partner, kecuali mereka telah menyiapkan data menggunakan Resolusi Entitas AWS sebelum membuat atau bergabung dengan kolaborasi. Anggota ini akan membayar persiapan data hanya jika digunakan. Setiap anggota yang berpartisipasi dalam kolaborasi dapat membayar untuk pencocokan data. Pencocokan data juga memerlukan biaya satu kali per kolaborasi, dan biaya ini diberikan kepada kolaborator mana pun yang membayar pencocokan data.
Saat Anda menggunakan pencocokan berbasis penyedia layanan data, semua anggota kolaborasi diharuskan memiliki langganan penyedia untuk menyiapkan data mereka menggunakan ID penyedia. Semua anggota kolaborasi diharuskan menyiapkan data mereka menggunakan ID penyedia sebelum dicocokkan dengan set data partner, kecuali mereka telah menyiapkan data menggunakan Resolusi Entitas AWS sebelum membuat atau bergabung dengan kolaborasi. Setiap anggota yang berpartisipasi dalam kolaborasi dapat membayar pencocokan data menggunakan ID penyedia. Selain itu, anggota yang membayar pencocokan data diharuskan memiliki langganan penyedia. Anda dapat menggunakan langganan publik yang tercantum di AWS Data Exchange (ADX), atau membeli langganan pribadi secara langsung dengan penyedia layanan data pilihan Anda, lalu menggunakan Bawa Langganan Anda Sendiri (BYOS) ke ADX.
Untuk informasi selengkapnya, lihat Resolusi Entitas AWS tentang harga AWS Clean Rooms.
ML AWS Clean Rooms
Apa itu ML AWS Clean Rooms?
AWS Clean Rooms ML membantu Anda dan partner Anda menerapkan machine learning (ML) yang meningkatkan privasi untuk menghasilkan wawasan prediktif tanpa harus berbagi data mentah satu sama lain. AWS Clean Rooms ML mendukung pemodelan machine learning (ML) khusus dan mirip. Dengan pemodelan khusus, Anda dapat membawa model khusus untuk pelatihan dan menjalankan inferensi pada set data kolektif, tanpa berbagi data dasar atau kekayaan intelektual di antara kolaborator. Dengan pemodelan yang mirip, Anda dapat menggunakan model yang disusun AWS untuk menghasilkan serangkaian profil serupa yang diperluas berdasarkan sampel kecil profil yang dibawa partner Anda ke kolaborasi.
ML AWS Clean Rooms membantu pelanggan dengan beberapa kasus penggunaan. Misalnya, pengiklan dapat membawa model dan data kepemilikan mereka ke dalam kolaborasi Kamar Bersih, dan mengundang penerbit untuk bergabung dengan data mereka untuk melatih dan menerapkan model ML khusus yang membantu mereka meningkatkan efektivitas kampanye; lembaga keuangan dapat menggunakan catatan transaksi historis untuk melatih model ML khusus, dan mengundang partner ke dalam kolaborasi Kamar Bersih untuk mendeteksi potensi transaksi penipuan; lembaga penelitian dan jaringan rumah sakit dapat menemukan kandidat yang mirip dengan peserta uji klinis yang ada untuk membantu mempercepat studi klinis; serta dan merek dan penerbit dapat memodelkan segmen yang mirip dari pelanggan dalam pasar dan memberikan pengalaman periklanan yang sangat relevan, tanpa salah satu perusahaan berbagi data dasar mereka dengan yang lain.
Bagaimana cara kerja pemodelan khusus?
Dengan pemodelan khusus AWS Clean Rooms ML, Anda dapat membawa model, algoritme, dan data machine learning (ML) Anda sendiri ke dalam kolaborasi dengan partner Anda untuk melatih model ML dan menjalankan inferensi pada set data kolektif tanpa harus berbagi data sensitif atau model ML eksklusif.
Pemodelan khusus AWS Clean Rooms ML mendukung pelatihan ML dan alur kerja inferensi ML. Untuk kedua alur kerja, Anda mulai dengan menentukan kueri AWS Clean Rooms Spark SQL yang digunakan untuk menghasilkan set data untuk langkah pelatihan atau inferensi. Set data perantara disimpan dalam kolaborasi kamar bersih dan hanya dapat digunakan untuk tugas AWS Clean Rooms ML yang disetujui. Langkah kedua adalah pelatihan atau inferensi model ML. Model dan kode ML dikemas dalam gambar kontainer. Model terlatih dapat dipertahankan dalam kolaborasi dan digunakan sebagai bagian dari alur kerja inferensi. Dengan AWS Clean Rooms ML, data Anda hanya digunakan untuk melatih model kustom Anda, dan data Anda tidak dibagikan di antara kolaborator atau digunakan untuk pelatihan model AWS. Anda dapat menghapus data dari Clean Rooms ML atau menghapus model khusus kapan pun Anda mau, dan Anda dapat menerapkan kontrol peningkatan privasi untuk melindungi data sensitif yang Anda bawa ke kolaborasi. Untuk menerapkan pemodelan kustom AWS Clean Room ML, Anda harus menggunakan Spark SQL sebagai mesin analitik.
Bagaimana cara kerja pemodelan mirip?
Dengan pemodelan mirip AWS Clean Rooms ML, Anda dapat menggunakan model yang disusun AWS untuk menghasilkan serangkaian profil serupa yang diperluas berdasarkan sampel kecil profil yang dibawa partner Anda ke kolaborasi sambil melindungi data dasar Anda dan partner Anda. Anda dapat mengundang partner Anda ke kamar bersih dan menerapkan model ML siap pakai yang disusun AWS yang dilatih untuk setiap kolaborasi guna menghasilkan set data serupa dalam beberapa langkah, menghemat berbulan-bulan pekerjaan pengembangan untuk membangun, melatih, menyetel, dan melakukan deployment model Anda sendiri. Pemodelan mirip AWS Clean Rooms ML dibangun dan diuji di berbagai set data, seperti e-commerce dan video streaming, serta dapat membantu pelanggan meningkatkan akurasi pada pemodelan serupa hingga 36% jika dibandingkan dengan garis acuan industri representatif. Dalam aplikasi dunia nyata seperti mencari pelanggan baru, peningkatan akurasi ini dapat menghasilkan penghematan jutaan dolar.
Pemodelan mirip AWS Clean Rooms ML mengambil sampel kecil catatan dari satu pihak dan menemukan kumpulan catatan atau segmen serupa yang jauh lebih besar dari set data kolaborator lain. Anda dapat menentukan ukuran yang diinginkan dari segmen serupa yang dihasilkan, dan ML AWS Clean Rooms akan secara privat mencocokkan profil unik dalam daftar sampel dengan yang ada di set data partner Anda lalu melatih model ML yang memprediksi seberapa mirip setiap profil dalam set data kolaborator dengan yang ada di sampel Anda. ML AWS Clean Rooms akan secara otomatis mengelompokkan profil yang mirip dengan daftar sampel dan menampilkan segmen serupa yang dihasilkan. ML AWS Clean Rooms menghilangkan kebutuhan untuk berbagi data untuk membangun, melatih, dan melakukan deployment model ML dengan partner Anda. Dengan ML AWS Clean Rooms, data Anda hanya digunakan untuk melatih model Anda dan tidak digunakan untuk pelatihan model AWS. Anda dapat menggunakan kontrol intuitif yang membantu Anda dan partner Anda menyesuaikan hasil prediksi model.
Keamanan dan perlindungan data
Bagaimana cara AWS Clean Rooms membantu melindungi data?
Perlindungan data dimulai dengan fondasi keamanan AWS, dan AWS Clean Rooms dibangun di atas layanan keamanan AWS, termasuk AWS Identity and Access Management (IAM), AWS Key Management Service (KMS), dan AWS CloudTrail. Hal ini memungkinkan Anda untuk memperluas strategi perlindungan data yang ada ke beban kerja kolaborasi data. Dengan AWS Clean Rooms, Anda tidak perlu lagi menyimpan atau mengelola salinan data di luar lingkungan AWS dan mengirimkannya ke pihak lain guna melakukan analisis untuk wawasan konsumen, pengukuran pemasaran, prakiraan, atau penilaian risiko.
Saat mengatur kolaborasi AWS Clean Rooms dan menggunakan analisis SQL, Anda dapat menentukan kemampuan yang berbeda untuk setiap anggota kolaborasi agar sesuai dengan kasus penggunaan spesifik Anda. Misalnya, jika Anda ingin output kueri menuju ke anggota yang berbeda, Anda dapat menunjuk satu anggota sebagai runner kueri yang dapat menulis kueri dan anggota lain sebagai penerima hasil kueri yang dapat menerima hasil. Hal ini memberi kemampuan kepada pencipta kolaborasi untuk memastikan bahwa anggota yang dapat mengueri tidak memiliki akses ke hasil kueri.
AWS Clean Rooms juga memiliki kontrol kueri SQL yang memungkinkan Anda membatasi jenis kueri atau kueri tertentu yang dapat dijalankan pada tabel data Anda melalui konfigurasi aturan analisis. AWS Clean Rooms mendukung tiga jenis aturan analisis SQL: agregasi, daftar, dan kustom. Dengan aturan analisis agregasi, Anda dapat mengonfigurasi tabel sehingga hanya kueri yang menghasilkan statistik agregat yang akan diizinkan (seperti pengukuran atau atribusi kampanye). Dengan aturan analisis daftar, Anda dapat mengonfigurasi kontrol sehingga kueri hanya dapat menganalisis pertemuan set data Anda dengan set data anggota yang dapat mengueri. Dengan aturan analisis kustom, Anda dapat mengonfigurasi kontrol tingkat kueri untuk memungkinkan akun atau kueri tertentu dijalankan pada set data Anda. Saat menggunakan aturan analisis khusus, Anda dapat memilih untuk menggunakan Privasi Diferensial. Privasi Diferensial AWS Clean Rooms membantu Anda melindungi privasi pengguna Anda dengan kontrol intuitif dan didukung secara matematis dalam beberapa klik. Sebagai kemampuan AWS Clean Rooms yang terkelola penuh, tidak diperlukan pengalaman privasi diferensial sebelumnya untuk membantu Anda mencegah identifikasi ulang pengguna Anda. Kontrol lainnya adalah ambang batas agregasi, yang mencegah kueri menelusuri grup kecil yang berpotensi dapat diidentifikasi ulang.
Dengan ML AWS Clean Rooms, data Anda hanya digunakan untuk melatih model Anda, dan tidak digunakan untuk pelatihan model AWS. ML AWS Clean Rooms tidak menggunakan pelatihan atau data segmen serupa milik perusahaan mana pun dengan yang lain, dan Anda dapat menghapus model dan data pelatihan kapan pun Anda inginkan.
Apakah saya harus menyimpan data di AWS Clean Rooms agar dapat menggunakannya dalam kolaborasi?
Tidak. Set data disimpan di akun AWS kolaborator. AWS Clean Rooms membaca data sementara dari akun kolaborator untuk menjalankan kueri, mencocokkan catatan, melatih model ML, atau memperluas segmen awal. Hasil analisis dikirim ke lokasi S3 yang dirancang untuk analisis.
Resolusi Entitas AWS di AWS Clean Rooms menghasilkan set data yang dipetakan di antara pengidentifikasi masing-masing pihak dalam kolaborasi. Set data pemetaan dikelola oleh AWS Clean Rooms. Tidak ada anggota dalam kolaborasi yang dapat melihat atau mengunduh tabel pemetaan. Jika semua anggota dalam kolaborasi sepakat untuk melonggarkan penegakan privasi ini, tabel pemetaan dapat ditanyakan untuk kasus penggunaan tertentu. Salah satu pihak dapat menghapus tabel kapan saja.
Model yang dihasilkan oleh ML AWS Clean Rooms disimpan oleh layanan, dapat dienkripsi dengan kunci AWS KMS yang dikelola pelanggan, dan dapat dihapus oleh pelanggan kapan pun.
Bagaimana cara agar tetap patuh terhadap undang-undang privasi data yang berlaku saat menggunakan AWS Clean Rooms untuk berkolaborasi dengan pihak lain?
Enkripsi dan aturan analisis AWS Clean Rooms memungkinkan Anda untuk mengontrol secara terperinci tipe informasi yang ingin Anda bagikan. Sebagai kolaborator data, Anda bertanggung jawab untuk menilai risiko setiap kolaborasi, termasuk risiko identifikasi ulang, dan melakukan uji kelayakan tambahan Anda sendiri untuk memastikan kepatuhan terhadap setiap undang-undang privasi data. Jika data yang dibagikan bersifat sensitif atau diregulasi, sebaiknya Anda juga menggunakan kesepakatan hukum dan mekanisme audit yang sesuai untuk lebih mengurangi risiko privasi.
Apakah ada batasan penggunaan untuk kolaborasi di AWS Clean Rooms?
Ya. Ketentuan Layanan AWS melarang kasus penggunaan tertentu untuk kolaborasi di AWS Clean Rooms.
Apakah AWS Clean Rooms memenuhi syarat HIPAA?
Ya, program kepatuhan HIPAA AWS mencakup AWS Clean Rooms sebagai Layanan yang memenuhi syarat HIPAA. Jika Anda memiliki Perjanjian Asosiasi Bisnis (BAA) yang dijalankan dengan AWS, kini Anda dapat menggunakan AWS Clean Rooms untuk membuat kolaborasi yang sesuai dengan HIPAA. Jika Anda tidak memiliki BAA atau memiliki pertanyaan tentang penggunaan AWS untuk aplikasi yang patuh HIPAA milik Anda, hubungi kami untuk informasi selengkapnya.
Untuk mempelajari selengkapnya, lihat sumber daya berikut:
Analisis SQL
Apa itu SQL Spark AWS Clean Rooms?
Anda dapat memilih untuk menggunakan mesin analitik Spark untuk menjalankan kueri menggunakan dialek SQL Spark dengan kolaborasi AWS Clean Rooms. SQL Spark AWS Clean Rooms menawarkan ukuran komputasi yang dapat dikonfigurasi untuk memberikan kontrol lebih besar atas performa harga saat menjalankan beban kerja SQL. Untuk menerapkan Privasi Diferensial AWS Clean Rooms atau menggunakan aturan agregasi atau analisis daftar dalam kolaborasi, Anda harus menggunakan SQL sebagai mesin analitik.
SQL Spark AWS Clean Rooms menggunakan tipe instans default CR.1X, yang menyediakan 4 vCPU, 30 GB memori, dan 100 GB penyimpanan. Anda dapat memilih untuk mengalokasikan lebih banyak sumber daya untuk menjalankan beban kerja SQL Spark dengan memilih tipe instans CR.4X yang lebih besar, yang menyediakan 16 vCPU, 120 GB memori, dan 400 GB penyimpanan. Ukuran instance yang lebih besar dapat bermanfaat bagi beban kerja SQL yang memproses data dalam jumlah besar dan melakukan analitik yang rumit, yang membantu mendistribusikan beban kerja ke lebih banyak sumber daya. Pelajari selengkapnya mengenai vCPU, memori, dan penyimpanan terkait untuk setiap konfigurasi di sini.
Bagaimana cara mengonfigurasi aturan analisis SQL?
Dalam aturan analisis SQL, Anda mengonfigurasi kontrol tingkat kolom yang membantu Anda menentukan cara setiap kolom digunakan dalam kueri. Misalnya, Anda dapat menentukan kolom manakah yang dapat digunakan untuk menghitung statistik agregat—seperti SUM(harga)—dan kolom manakah yang dapat digunakan untuk menggabungkan tabel Anda dengan tabel anggota kolaborasi lainnya. Dalam aturan analisis Agregasi, Anda juga dapat menentukan ambang batas agregasi minimum yang harus dipenuhi oleh setiap baris output. Baris yang tidak memenuhi ambang batas minimum akan difilter secara otomatis oleh AWS Clean Rooms.
Dapatkah saya melihat kueri yang sedang dijalankan di data saya oleh anggota kolaborasi?
Ya. Anda dapat mengonfigurasi AWS Clean Rooms untuk menerbitkan log kueri di Log Amazon CloudWatch. Dengan aturan analisis kustom, Anda juga dapat meninjau kueri (disimpan dalam templat analisis) sebelum dijalankan dalam kolaborasi.
Privasi Diferensial AWS Clean Rooms
Apa itu privasi diferensial?
Privasi diferensial adalah kerangka kerja yang terbukti secara matematis untuk membantu perlindungan privasi data. Manfaat utama di balik privasi diferensial adalah membantu melindungi data di tingkat individu dengan menambahkan jumlah keacakan yang terkontrol, yaitu noise, untuk mengaburkan ada atau tidaknya individu tunggal dalam set data yang sedang dianalisis.
Bagaimana Privasi Diferensial AWS Clean Rooms bisa lebih baik daripada implementasi sumber terbuka yang sudah ada?
Privasi Diferensial AWS Clean Rooms membantu Anda melindungi privasi pengguna Anda dengan kontrol intuitif dan didukung secara matematis dalam beberapa langkah. Sebagai kemampuan AWS Clean Rooms yang terkelola penuh, tidak diperlukan pengalaman privasi diferensial sebelumnya untuk membantu Anda mencegah identifikasi ulang pengguna Anda. Privasi Diferensial AWS Clean Rooms mengaburkan kontribusi data individu dalam menghasilkan wawasan agregat dalam kolaborasi sehingga Anda dapat menjalankan berbagai kueri SQL untuk menghasilkan wawasan mengenai kampanye iklan, keputusan investasi, penelitian klinis, dan banyak lagi.
Bagaimana cara menggunakan Privasi Diferensial AWS Clean Rooms?
Anda dapat mulai menggunakan Privasi Diferensial AWS Clean Rooms hanya dalam beberapa langkah setelah memulai atau bergabung dengan kolaborasi AWS Clean Rooms sebagai anggota dengan kemampuan untuk menyumbangkan data. Setelah Anda membuat tabel yang dikonfigurasi, yang merupakan referensi ke tabel Anda di Katalog Data AWS Glue, Anda cukup memilih untuk mengaktifkan privasi diferensial sekaligus menambahkan aturan analisis khusus ke tabel yang dikonfigurasi menggunakan mesin analitik SQL. Selanjutnya, Anda mengaitkan tabel yang dikonfigurasi dengan kolaborasi AWS Clean Rooms Anda dan mengonfigurasi kebijakan privasi diferensial dalam kolaborasi untuk membuat tabel Anda tersedia untuk kueri. Anda dapat menggunakan kebijakan default untuk menyelesaikan pengaturan dengan cepat atau menyesuaikannya agar memenuhi persyaratan spesifik Anda. Untuk menerapkan Privasi Diferensial AWS Clean Rooms dalam kolaborasi, Anda harus menggunakan SQL sebagai mesin analitik.
Setelah Privasi Diferensial AWS Clean Rooms diatur, partner kolaborasi Anda dapat mulai menjalankan kueri pada tabel Anda—tanpa memerlukan keahlian apa pun dalam konsep privasi diferensial atau pengaturan tambahan dari partner mereka. Dengan Privasi Diferensial AWS Clean Rooms, runner kueri dapat menjalankan analisis kustom dan fleksibel, termasuk pola kueri kompleks dengan ekspresi tabel umum (CTE) dan fungsi agregat yang umum digunakan, seperti COUNT dan SUM.
Komputasi kriptografis
Apa itu komputasi kriptografis?
Komputasi kriptografis adalah metode untuk melindungi dan mengenkripsi data sensitif saat sedang digunakan. Data dapat dienkripsi saat diam ketika disimpan, saat bergerak ketika ditransmisikan, dan saat sedang digunakan. Enkripsi berarti mengonversi data plaintext menjadi data yang dienkode dan tidak dapat dipecahkan tanpa "kunci" tertentu. Private set intersection (PSI) adalah tipe komputasi kriptografis yang mengizinkan dua atau beberapa pihak memiliki set data untuk membandingkan versi yang dienkripsi guna menjalankan komputasi. Enkripsi terjadi on premise dengan kunci rahasia kolaborator bersama. C3R tersedia untuk mesin analitik Spark SQL atau mesin analitik SQL.
Apa itu Cryptographic Computing for Clean Rooms (C3R)?
AWS Clean Rooms menyertakan Cryptographic Computing for Clean Rooms (C3R), yang menyediakan opsi untuk melakukan pra-enkripsi data menggunakan alat enkripsi di sisi klien—SDK atau antarmuka baris perintah (CLI)—yang menggunakan kunci rahasia bersama dengan peserta lain di kolaborasi AWS Clean Rooms. Fitur ini mengenkripsi data saat kueri dijalankan.