AWS modelli in Clean Rooms ML

AWS Clean Rooms ML offre un metodo di tutela della privacy che consente a due parti di identificare utenti simili nei propri dati senza la necessità di condividerli tra loro. La prima parte fornisce i dati di formazione AWS Clean Rooms in modo che possano creare e configurare un modello simile e associarlo a una collaborazione. Quindi, i dati iniziali vengono trasferiti alla collaborazione per creare un segmento simile ai dati di addestramento.

Per una spiegazione più dettagliata di come funziona, vedi. Lavori su più account

I seguenti argomenti forniscono informazioni su come creare e configurare un AWS modello in Clean Rooms ML.

Argomenti

• Terminologia ML di AWS Clean Rooms

• Protezioni della privacy di AWS Clean Rooms ML

• Requisiti relativi ai dati di formazione per Clean Rooms ML

• Requisiti relativi ai dati di avviamento per Clean Rooms ML

• Metriche di valutazione del modello AWS Clean Rooms ML

Terminologia ML di AWS Clean Rooms

È importante comprendere la seguente terminologia quando si utilizza Clean Rooms ML:

• Fornitore di dati di formazione: la parte che fornisce i dati di formazione, crea e configura un modello simile e quindi associa tale modello a una collaborazione.

• Fornitore di dati iniziali: la parte che fornisce i dati iniziali, genera un segmento simile ed esporta il segmento simile.

• Dati di formazione: i dati del fornitore dei dati di formazione, utilizzati per generare un modello simile. I dati di addestramento vengono utilizzati per misurare la somiglianza nei comportamenti degli utenti.

  I dati di addestramento devono contenere un ID utente, un ID articolo e una colonna con timestamp. Facoltativamente, i dati di allenamento possono contenere altre interazioni come caratteristiche numeriche o categoriali. Esempi di interazioni sono un elenco di video guardati, articoli acquistati o articoli letti.

• Dati di avviamento: i dati del fornitore di dati iniziali, utilizzati per creare un segmento simile. I dati iniziali possono essere forniti direttamente o possono provenire dai risultati di un' AWS Clean Rooms interrogazione. L'output del segmento lookalike è un insieme di utenti tratto dai dati di addestramento che assomiglia di più agli utenti seed.

• Modello Lookalike: un modello di apprendimento automatico dei dati di addestramento utilizzato per trovare utenti simili in altri set di dati.

  Quando si utilizza l'API, il termine modello di audience viene utilizzato in modo equivalente al modello lookalike. Ad esempio, si utilizza l'CreateAudienceModelAPI per creare un modello simile.

• Segmento simile: un sottoinsieme dei dati di addestramento che più assomiglia ai dati iniziali.

  Quando si utilizza l'API, si crea un segmento simile con l'API. StartAudienceGenerationJob

I dati del fornitore di dati di addestramento non vengono mai condivisi con il fornitore di dati di avviamento e i dati del fornitore di dati di avviamento non vengono mai condivisi con il fornitore di dati di formazione. L'output del segmento simile viene condiviso con il fornitore dei dati di addestramento, ma mai con il fornitore di dati iniziali.