AWS Clean Rooms ML Nuevo servicio2023年〜

Un servicio para construir modelos de ML protegiendo la privacidad dentro de Clean Rooms

Unos 3 min de lecturaÚltima actualización: 2026-03-28

Qué hace

AWS Clean Rooms ML es un servicio que permite a múltiples empresas construir modelos de aprendizaje automático de forma conjunta sin compartir directamente sus datos. Los datos de cada empresa se utilizan para el análisis con la privacidad protegida, y los datos brutos nunca se exponen a otras empresas. Permite realizar colaboración de datos de forma segura, como la predicción de efectividad publicitaria y la creación de modelos de audiencia similar (Lookalike Model).

Casos de uso

Se utiliza cuando anunciantes y publishers desean mejorar la precisión del targeting publicitario sin compartir directamente sus datos de clientes. También se emplea cuando minoristas y fabricantes combinan datos de compras de forma segura para construir modelos de predicción de demanda, o cuando instituciones financieras entrenan conjuntamente modelos de detección de fraude.

Analogía cotidiana

Imagina que varias empresas cocinan juntas. Cada empresa no quiere mostrar su receta secreta (datos) a las demás. Clean Rooms ML es un sistema donde cada empresa coloca sus ingredientes en una caja sellada, y solo un chef robot (modelo ML) usa el contenido de las cajas para completar el plato. Todos reciben el plato terminado (resultados del análisis), pero nadie puede ver las recetas de los demás.

¿Qué es Clean Rooms ML?

AWS Clean Rooms ML es un servicio que extiende las capacidades de AWS Clean Rooms para construir modelos de aprendizaje automático protegiendo la privacidad. Tradicionalmente, para que múltiples empresas combinaran datos y crearan modelos ML, era necesario reunir los datos en un solo lugar. Con Clean Rooms ML, puedes ejecutar el entrenamiento e inferencia de modelos ML en un entorno seguro sin mover ni compartir los datos de cada empresa.

Uso del Lookalike Model

La función representativa de Clean Rooms ML es el Lookalike Model (modelo de audiencia similar). Por ejemplo, un anunciante puede encontrar usuarios con características similares en la base de usuarios de un publisher, basándose en su lista de clientes premium. Ni los datos de clientes del anunciante ni los datos de usuarios del publisher se exponen mutuamente, permitiendo un targeting de alta precisión mientras se protege la privacidad.

Mecanismos de protección de privacidad

Clean Rooms ML utiliza privacidad diferencial y técnicas de cifrado para proteger que los registros individuales no sean identificados. Puedes configurar previamente las reglas de colaboración (qué datos se pueden usar y en qué alcance), y las consultas o análisis que violen las reglas se bloquean automáticamente. Los propietarios de los datos siempre mantienen el control sobre sus propios datos. Para comprender más profundamente los mecanismos de protección de privacidad, también puedes consultar libros especializados (Amazon).

Cómo empezar

Para comenzar con Clean Rooms ML, primero crea una colaboración en AWS Clean Rooms y define las reglas de uso de datos con los miembros participantes. Luego, en la configuración de Clean Rooms ML, selecciona el tipo de modelo ML (como Lookalike Model) y especifica la fuente de datos de entrenamiento. Una vez completado el entrenamiento del modelo, puedes exportar los resultados y utilizarlos en iniciativas de marketing.