Um engenheiro de ML deve garantir que todos os dados em trânsito sejam criptografados para um trabalho de treinamento do Amazon SageMaker, incluindo as comunicações que o SageMaker usa durante o treinamento. Qual ação satisfará esse requisito?

A criptografia da comunicação entre nós em um cluster de treinamento garante que todos os dados em trânsito dentro do ambiente de treinamento do SageMaker sejam protegidos. O SageMaker usa clusters de instâncias para o treinamento, e a comunicação entre essas instâncias é onde os dados do modelo e os parâmetros são trocados. Criptografar a comunicação entre nós para processamento em lote não é a resposta correta porque o processamento em lote é uma operação separada do treinamento e não cobre as comunicações internas do cluster de treinamento. Especificar uma chave do AWS KMS ao criar a solicitação do trabalho de treinamento criptografa os dados armazenados em repouso (por exemplo, os artefatos do modelo e os dados de saída), mas não as comunicações em trânsito entre os nós de treinamento. Especificar uma chave do AWS KMS ao criar o domínio do SageMaker é para criptografia de recursos no domínio, como volumes do Amazon EFS e perfis de usuário, e não para criptografia de dados em trânsito durante o treinamento.