AWS Clean Rooms添加機器學習和差分隱私功能，強化資料應用與隱私安全性

AWS更新其安全資料共享服務Clean Rooms，除了新增機器學習支援，協助用戶在不共享原始資料的情況下應用機器學習模型，同時也加入了差分隱私（Differential Privacy）功能，在協作聚合資料分析結果時，模糊個人資料的貢獻。

Clean Rooms服務可讓企業和其合作夥伴安全協作資料處理，提供一種不共享原始資料就能協作和分析資料的方法，在追求效率和預測精確度的同時，也能安全地合作。Clean Rooms內建隱私控制功能，能以權限控制Clean Rooms成員所執行的查詢和輸出。

新功能Clean Rooms ML則允許用戶使用機器學習模型生成預測性分析，同時保護敏感資料。而這項功能其中一項主要應用，是創建市場行銷用途的相似用戶群組，像是航空公司可以和線上預訂服務合作，針對類似特徵的用戶進行行銷活動；汽車貸款和汽車保險公司也可以辨識，與現有租賃車主類似特徵的潛在汽車保險客戶。這項功能同樣也能用於加速研究機構和醫院的臨床研究，找到與現有臨床試驗者相似的候選人。

Clean Rooms ML會於每一次組織資料共享合作中，訓練一個由AWS管理的模型，協助用戶快速生成相似資料集，省去用戶自行建立、訓練和部署模型的時間。Clean Rooms ML還提供了許多靈活的控制功能，使用戶和其合作夥伴，可以調整機器學習模型預測結果。

AWS Clean Rooms現在也提供差分隱私功能，系統會在用戶的查詢結果，添加經過仔細校準的誤差，也就是雜訊，讓查詢結果足夠準確，在提供有意義的分析結果的同時，也遮蔽來自特定個人的資料貢獻。差分隱私功能包括了一個隱私預算元件，透過將隱私作為每次執行查詢時消耗的有限資源，控制用戶資料集執行的查詢數量，確保雜訊不能被平均，確保不會洩露任何個人資料。當隱私預算耗盡時，在預算增加或是刷新之前，都無法於資料集中執行更多的查詢。

差分隱私是一項增強資料共享時隱私保護的技術，能夠分享描述資料庫中部分統計特徵，又不公開特定個人資訊，不過缺點就是有其實作門檻，而Clean Rooms差分隱私功能，讓應用該技術變得更容易，用戶只需要對資料表啟用差分隱私功能，並在協作中配置差分隱私政策，就能簡單地應用該技術。