Um banco está ajustando um LLM no Amazon Bedrock para responder a perguntas de clientes sobre empréstimos. Para garantir que o modelo não exponha informações privadas de clientes, qual ação o banco deve tomar?

Remover informações de identificação pessoal (PII) dos dados do cliente antes de ajustar o LLM é crucial para evitar a exposição de dados sensíveis. Ao remover PII do conjunto de dados de treinamento, o modelo não aprenderá nem reterá essas informações, o que impede que as exponha em suas respostas. Usar o Amazon Bedrock Guardrails pode ajudar a filtrar saídas indesejadas, mas não impede que o modelo aprenda PII se estiver presente nos dados de treinamento. Aumentar o parâmetro Top-K do LLM afeta a diversidade das respostas, não a segurança dos dados. Armazenar dados no Amazon S3 e criptografá-los protege os dados em repouso, mas não impede que o LLM os processe e potencialmente os exponha se forem usados para ajuste sem anonimização.