AWS modelos en Clean Rooms ML

AWS Clean Rooms ML proporciona un método que preserva la privacidad para que dos partes identifiquen a usuarios similares en sus datos sin necesidad de compartir sus datos entre sí. La primera parte aporta los datos de entrenamiento para AWS Clean Rooms poder crear y configurar un modelo similar y asociarlo a una colaboración. A continuación, los datos iniciales se traen a la colaboración para crear un segmento similar que se parece a los datos de entrenamiento.

Para obtener una explicación más detallada de cómo funciona esto, consulte Trabajos entre cuentas

Los siguientes temas proporcionan información sobre cómo crear y configurar un AWS modelo en Clean Rooms ML.

Temas

• Terminología de aprendizaje automático de AWS Clean Rooms

• Protecciones de privacidad de AWS Clean Rooms ML

• Requisitos de datos de entrenamiento para Clean Rooms ML

• Requisitos de datos iniciales para Clean Rooms ML

• Métricas de evaluación del modelo de aprendizaje automático de AWS Clean Rooms

Terminología de aprendizaje automático de AWS Clean Rooms

Es importante entender la siguiente terminología al utilizar Clean Rooms ML:

• Proveedor de datos de entrenamiento: la parte que aporta los datos de entrenamiento, crea y configura un modelo similar y, a continuación, lo asocia a una colaboración.

• Proveedor de datos iniciales: la parte que aporta los datos iniciales, genera un segmento similar y exporta su segmento similar.

• Datos de entrenamiento: los datos del proveedor de datos de entrenamiento, que se utilizan para generar un modelo similar. Los datos de entrenamiento se utilizan para medir la similitud en los comportamientos de los usuarios.

  Los datos de entrenamiento deben contener un ID de usuario, un ID de elemento y una columna de marca de tiempo. De forma opcional, los datos de entrenamiento pueden contener otras interacciones, como características numéricas o categóricas. Algunos ejemplos de interacciones son una lista de los vídeos visualizados, los artículos comprados o los artículos leídos.

• Datos iniciales: los datos del proveedor de datos iniciales, que se utilizan para crear un segmento similar. Los datos iniciales se pueden proporcionar directamente o pueden provenir de los resultados de una AWS Clean Rooms consulta. El resultado del segmento similar es un conjunto de usuarios a partir de los datos de entrenamiento que se parece más a los usuarios iniciales.

• Modelo similar: un modelo de machine learning de los datos de entrenamiento que se utiliza para encontrar usuarios similares en otros conjuntos de datos.

  Cuando se utiliza la API, el término modelo de audiencia se utiliza de manera equivalente a modelo similar. Por ejemplo, se utiliza la CreateAudienceModelAPI para crear un modelo similar.

• Segmento similar: es un subconjunto de los datos de entrenamiento que se parecen más a los datos iniciales.

  Al utilizar la API, se crea un segmento similar con la StartAudienceGenerationJobAPI.

Los datos del proveedor de datos de entrenamiento nunca se comparten con el proveedor de datos iniciales, y viceversa. La salida del segmento similar se comparte con el proveedor de datos de entrenamiento, pero nunca con el proveedor de datos iniciales.