AWS Clean Rooms ML
複数組織のデータを共有せずに共同で機械学習モデルを学習 / 推論できる、プライバシー保護型の ML コラボレーション機能
概要
AWS Clean Rooms ML は、AWS Clean Rooms の拡張機能として、複数の組織が互いの生データを直接共有することなく、共同で機械学習モデルの学習や推論を実行できるサービスです。広告主とパブリッシャー、小売業者とメーカーなど、データコラボレーションのパートナー間でプライバシーを保護しながら、類似オーディエンスの生成やコンバージョン予測モデルの構築が可能です。各参加者のデータとモデルの知的財産を守るプライバシー強化の制御機能を備え、個々のレコードが特定されるリスクを抑えます。従来は法的 / 技術的なハードルから実現困難だったクロス組織の ML 活用を、マネージドサービスとして手軽に導入できます。
Lookalike Modeling による類似オーディエンス生成
Clean Rooms ML の代表的なユースケースは、Lookalike Modeling (類似オーディエンス生成) です。広告主が保有する優良顧客リスト (シードデータ) と、パブリッシャーが保有するユーザー属性データを突き合わせ、シード顧客に類似した特徴を持つ新規ターゲットオーディエンスを生成します。この処理は Clean Rooms のコラボレーション環境内で実行され、広告主はパブリッシャーの個別ユーザーデータを見ることができず、パブリッシャーも広告主の顧客リストの詳細を知ることができません。生成された類似オーディエンスは、類似度スコア付きのセグメントとして出力され、広告配信プラットフォームに連携してターゲティング精度を向上させます。モデルの学習は自動化されており、ML の専門知識がなくてもコンソールから実行できます。
プライバシー保護の技術的メカニズム
Clean Rooms ML のプライバシー保護は、複数の技術レイヤーで構成されています。まず、コラボレーションの分析ルールで各参加者がアクセスできるデータの範囲と集計レベルを制限します。差分プライバシー (Differential Privacy) は AWS Clean Rooms が分析クエリの結果に較正したノイズを加える機能で、個別レコードの逆推定を困難にします (ML 処理への適用範囲は AWS 公式ドキュメントで確認してください)。プライバシーバジェットの概念で、クエリの累積によるプライバシーリスクの蓄積を管理し、バジェットを超過するクエリは自動的にブロックされます。ML 処理では、各参加者のデータとモデルの知的財産を保護するプライバシー強化の制御機能が提供されています。監査ログは CloudTrail に記録され、誰がいつどのような分析を実行したかを追跡できます。
コラボレーション設計と実務上の考慮点
Clean Rooms ML を活用するには、まずパートナー間でコラボレーションの合意形成が必要です。データの利用目的、分析ルール (最小集計単位、出力可能な指標)、プライバシーバジェットの配分を事前に取り決め、Clean Rooms のコラボレーション設定に反映します。実務では、法務部門によるデータ利用契約のレビューと、技術チームによる分析ルールの設計を並行して進める進め方があります。料金は、Lookalike Modeling では要求したモデル学習と生成したセグメントの規模、カスタムモデルでは処理レコード数と使用した計算リソースに基づく従量課金です (2026 年 9 月時点 / 最新の課金単位と単価は AWS 公式の料金ページを確認してください)。Lookalike Modeling の場合、学習の実行回数と生成するセグメントの規模が費用に影響するため、シードの品質を高めて必要なセグメント規模を見極めることがコスト管理につながります。モデルは自動では再学習されないため、AWS 公式ドキュメントが推奨する週次 (2026 年 9 月時点) を目安に、オーディエンスの変化速度に応じて再学習の頻度を決め、鮮度とコストのバランスを取ります。
参考資料 (AWS 公式)
本ページの一次情報は AWS 公式サイトと公式ドキュメントです。最新の仕様と料金は次の公式ページで確認できます。
本ページと公式ドキュメントの記述が食い違う場合は、公式ドキュメントを正としてください。