AWS Clean Rooms ML
Función de colaboración ML con protección de privacidad que permite entrenar e inferir modelos de machine learning de forma conjunta entre múltiples organizaciones sin compartir datos
Descripción general
AWS Clean Rooms ML es una extensión de AWS Clean Rooms que permite a múltiples organizaciones ejecutar entrenamiento e inferencia de modelos de machine learning de forma conjunta sin compartir directamente sus datos brutos. Permite la generación de audiencias similares y la construcción de modelos de predicción de conversión entre socios de colaboración de datos como anunciantes y publishers, minoristas y fabricantes, protegiendo la privacidad. Ofrece controles de mejora de la privacidad que ayudan a cada participante a proteger sus datos y la propiedad intelectual de sus modelos, reduciendo el riesgo de identificar registros individuales.
Generación de audiencias similares con Lookalike Modeling
Una de las funciones de Clean Rooms ML es Lookalike Modeling, que genera audiencias similares a los clientes existentes de alta conversión. El anunciante proporciona una lista semilla (lista de clientes de alta conversión) y el publisher proporciona datos de su audiencia, y el modelo identifica usuarios en la audiencia del publisher que son similares a la lista semilla. Todo el proceso se ejecuta dentro del entorno de Clean Rooms, por lo que el anunciante no puede ver los datos individuales de la audiencia del publisher, y el publisher no puede ver la lista de clientes del anunciante. El modelo generado se puede utilizar directamente para la segmentación de campañas publicitarias, mejorando la eficiencia de la inversión publicitaria. A diferencia de los enfoques tradicionales que requerían compartir datos con terceros, Clean Rooms ML permite la colaboración de datos cumpliendo con las regulaciones de privacidad.
Mecanismos técnicos de protección de privacidad
Clean Rooms ML emplea múltiples capas de protección de privacidad. Primero, los datos de cada participante nunca se comparten con la otra parte; solo se comparten los resultados configurados de la colaboración. Segundo, la privacidad diferencial de AWS Clean Rooms agrega ruido calibrado a los resultados de las consultas analíticas, dificultando inferir información sobre individuos específicos (consulte la documentación oficial de AWS sobre su alcance en el procesamiento de ML). Tercero, se establecen umbrales mínimos de tamaño de audiencia para los resultados, previniendo la generación de segmentos demasiado pequeños que podrían identificar individuos.
Diseño de colaboraciones y consideraciones prácticas
La implementación de Clean Rooms ML requiere un diseño cuidadoso de la colaboración. Primero, ambas partes deben acordar el esquema de datos (qué columnas se utilizan como características, cuál es la clave de unión). Segundo, se debe definir la frecuencia de reentrenamiento del modelo (no se reentrena automáticamente; la documentación oficial de AWS recomienda hacerlo semanalmente, a septiembre de 2026) y el periodo de validez de los resultados. Tercero, se deben establecer métricas de evaluación del modelo (AUC, precisión, recall) y umbrales mínimos de rendimiento. En cuanto a costos, el pago es por uso: en Lookalike Modeling por los entrenamientos solicitados y los segmentos generados, y en los modelos personalizados por los registros procesados y el cómputo utilizado (a septiembre de 2026; consulte la página oficial de precios de AWS para las unidades y tarifas vigentes). La integración con Lake Formation permite un control de acceso granular a los datos, y la combinación con los registros de auditoría de CloudTrail permite rastrear quién ejecutó qué análisis y cuándo, cumpliendo con los requisitos de compliance.
Referencias (recursos oficiales de AWS)
Las fuentes primarias de esta página son el sitio web y la documentación oficiales de AWS. Consulta las páginas oficiales siguientes para conocer las especificaciones y los precios más recientes.
- AWS Clean Rooms (página oficial)
- AWS Lake Formation (página oficial)
- Amazon SageMaker (página oficial)
- Documentación de AWS (oficial)
Si esta página y la documentación oficial difieren, prevalece la documentación oficial.