AWS更新其安全部据共享服务Clean Rooms，除了添加机器学习支持，协助用户在不共享原始数据的情况下应用机器学习模型，同时也加入了差分隐私（Differential Privacy）功能，在协作聚合数据分析结果时，模糊个人数据的贡献。
Clean Rooms服务可让企业和其合作伙伴安全协作数据处理，提供一种不共享原始数据就能协作和分析数据的方法，在追求效率和预测精确度的同时，也能安全地合作。Clean Rooms内置隐私控制功能，能以权限控制Clean Rooms成员所执行的查询和输出。
新功能Clean Rooms ML则允许用户使用机器学习模型生成预测性分析，同时保护敏感数据。而这项功能其中一项主要应用，是创建市场营销用途的相似用户群组，像是航空公司可以和线上预订服务合作，针对类似特征的用户进行营销活动；汽车贷款和汽车保险公司也可以识别，与现有租赁车主类似特征的潜在汽车保险客户。这项功能同样也能用于加速研究机构和医院的临床研究，找到与现有临床试验者相似的候选人。
Clean Rooms ML会于每一次组织数据共享合作中，训练一个由AWS管理的模型，协助用户快速生成相似数据集，省去用户自行创建、训练和部署模型的时间。Clean Rooms ML还提供了许多灵活的控制功能，使用户和其合作伙伴，可以调整机器学习模型预测结果。
AWS Clean Rooms现在也提供差分隐私功能，系统会在用户的查询结果，添加经过仔细校准的误差，也就是噪声，让查询结果足够准确，在提供有意义的分析结果的同时，也屏蔽来自特定个人的数据贡献。差分隐私功能包括了一个隐私预算组件，通过将隐私作为每次执行查询时消耗的有限资源，控制用户数据集执行的查询数量，确保噪声不能被平均，确保不会泄漏任何个人数据。当隐私预算耗尽时，在预算增加或是刷新之前，都无法于数据集中执行更多的查询。
差分隐私是一项增强数据共享时隐私保护的技术，能够分享描述数据库中部分统计特征，又不公开特定个人资讯，不过缺点就是有其实例门槛，而Clean Rooms差分隐私功能，让应用该技术变得更容易，用户只需要对数据表激活差分隐私功能，并在协作中配置差分隐私政策，就能简单地应用该技术。
