HealthBridge (um aplicativo de saúde) exporá um LLM através do Amazon Bedrock. A conformidade exige o bloqueio de instruções de diagnóstico médico, a remoção de qualquer informação de identificação pessoal (PII) das saídas do modelo e o registro de violações. Qual é a configuração e integração apropriada do Bedrock Guardrail para atender a esses requisitos?

A opção correta aborda todos os requisitos de conformidade de forma robusta. O Bedrock Guardrails com uma política personalizada bloqueia proativamente o conteúdo de diagnóstico médico, atendendo ao requisito de "bloquear instruções de diagnóstico médico". A integração do Amazon Comprehend para detecção de PII no pipeline de resposta garante a remoção em tempo real de PII das saídas do modelo, cumprindo o requisito de "remover qualquer informação de identificação pessoal (PII) das saídas do modelo". O registro de auditoria para CloudWatch Logs e S3 atende ao requisito de "registrar violações". As opções incorretas falham em um ou mais aspectos: Confiar apenas na engenharia de prompt é insuficiente para conformidade, pois os LLMs podem "alucinar" ou ignorar instruções. Usar políticas do IAM para negar invocação não filtra o conteúdo do modelo, e o AWS WAF não é projetado para filtrar o conteúdo semântico de respostas de LLM. Implantar no SageMaker e usar o SageMaker Clarify é uma abordagem válida para detecção, mas armazenar saídas brutas e confiar em trabalhos em lote noturnos para redação de PII não garante a remoção em tempo real exigida para conformidade imediata.