Amazon AIF-C01: KI-Sicherheit & Datenschutz — Lernleitfaden

By Laurynas Brazys · 30 July 2026 · #amazon #aif-c01 #certification #exam-prep #study-guide

Teil des AWS AI Practitioner AIF-C01 — Lernleitfaden. Üben Sie mit verifizierten Antworten im Amazon-Prüfungscenter, oder absolvieren Sie zeitlich begrenzte Übungstests auf ExamRoll.io.

Datenschutz und Zugriffskontrolle

Der Schutz von Trainings- und Inferenzdaten beginnt mit dem Zugriff nach dem Prinzip der geringsten Rechte. Verwenden Sie IAM-Rollen für Amazon SageMaker, AWS Lambda und Amazon Bedrock mit feingranularen Richtlinien und Einschränkungen auf Ressourcenebene. Speichern Sie Anmeldeinformationen im AWS Secrets Manager und vermeiden Sie es, Geheimnisse direkt in den Code einzubetten. Klassifizieren Sie Daten mit Amazon Macie und dem AWS Glue Data Catalog, damit nur genehmigte Datensätze (und deren genehmigte Teilmengen) in die Trainings-Pipelines gelangen. Wenden Sie bei sensiblen Attributen vor der Speicherung oder Indizierung die PII-Erkennung und -Schwärzung oder Tokenisierung von Comprehend an. Erwägen Sie, PII durch reversible Token zu ersetzen, wenn für nachgelagerte Workflows eine Verknüpfung erforderlich ist. Setzen Sie S3-Bucket-Richtlinien durch, blockieren Sie den öffentlichen Zugriff und fordern Sie SSE-KMS-Verschlüsselung für Objekte, die sensibles Material enthalten. Verwenden Sie KMS-Schlüsselrichtlinien und Schlüsselrotation, um zu steuern, wer Trainingsartefakte oder Modell-Checkpoints entschlüsseln darf. Typische Fehler in der Praxis sind die Vergabe zu weitreichender SageMaker-Ausführungsrollen, das Vergessen der Einschränkung des Zugriffs auf S3-Präfixe und die unterlassene Rotation von KMS-Schlüsseln oder IAM-Anmeldeinformationen. Entscheidungskriterien sollten die Sensibilität der Daten, die Fähigkeit zur Schwärzung oder Synthetisierung von Eingaben und die Frage, ob ein direkter Modellzugriff auf rohe PII zwingend erforderlich ist, abwägen. Wenn PII für den Modellnutzen erhalten bleiben müssen, ist eine isolierte Verarbeitung mit kontrollierten Prüfpfaden einer offenen Speicherung vorzuziehen.

Private Konnektivität, Verschlüsselung und Schlüsselverwaltung

Netzwerkisolation und kryptografische Kontrollen sind für produktives ML von grundlegender Bedeutung. Stellen Sie SageMaker-Training und -Hosting innerhalb von VPCs bereit, indem Sie VPC-Endpunkte und AWS PrivateLink verwenden, damit Daten niemals über das öffentliche Internet übertragen werden. Konfigurieren Sie VPC-Schnittstellenendpunkte für S3, Secrets Manager und Bedrock (sofern unterstützt) und wenden Sie Endpunktrichtlinien an, um den Datenverkehr auf genehmigte Prinzipale und Präfixe zu beschränken. Verschlüsseln Sie alle Daten während der Übertragung mit TLS und im Ruhezustand mit SSE-KMS (S3) sowie EBS-Verschlüsselung für Trainings-Instanzen. Nutzen Sie AWS KMS für eine zentralisierte Schlüsselverwaltung. Ziehen Sie Multi-Region-Schlüssel für Disaster Recovery und regionenübergreifende Operationen in Betracht und schränken Sie Entschlüsselungsberechtigungen (Decrypt) mithilfe von KMS-Schlüsselrichtlinien ein. Verwenden Sie für stark regulierte Workloads AWS Nitro Enclaves, um kryptografische Operationen und die Attestierung von Modell-Artefakten zu isolieren, ohne den Host-Speicher preiszugeben. Häufige Fehler sind das Vergessen, den öffentlichen S3-Zugriff bei der Verwendung von Endpunktrichtlinien zu blockieren, das Belassen von zu freizügigen EC2-Metadaten oder die Verwendung von kundenverwalteten KMS-Schlüsseln ohne explizite Zugriffskontrollen. Wählen Sie clientseitige Verschlüsselung, wenn Sie eine Entschlüsselung auf AWS-Seite verhindern müssen, und bevorzugen Sie SSE-KMS, wenn Sie eine feingranulare Überprüfbarkeit des Zugriffs sowie die Integration mit AWS-Services benötigen.

Protokollierung, Auditing, Governance und Erklärbarkeit

Sorgen Sie für durchgängige Beobachtbarkeit: Aktivieren Sie CloudTrail für das Auditing auf API-Ebene über SageMaker, Bedrock, KMS und S3 hinweg. Streamen Sie Protokolle zu CloudWatch und in ein zentrales, unveränderliches Archiv zur Aufbewahrung und für die Compliance. Verwenden Sie AWS Config, um Ressourcenkonfigurationen aufzuzeichnen und Drift zu erkennen. Nutzen Sie für ML-spezifische Herkunft (Lineage) und Governance die SageMaker Model Registry und SageMaker Experiments, um Modell-Metadaten, Versionierung, Provenienz und die Bereitstellungshistorie zu erfassen. Integrieren Sie SageMaker Model Monitor, um Konzeptdrift, Datenabweichungen (Data Skew) und eine Verschlechterung der Vorhersagequalität zu erkennen. Für die Bias-Erkennung und Erklärbarkeit instrumentieren Sie Pipelines mit SageMaker Clarify für Metriken zum Datensatz-Bias, SHAP oder Integrated Gradients für die Merkmalszuordnung (Feature Attribution) und erstellen Sie Modellkarten (Model Cards), die Trainingsdaten, Evaluierungsmetriken und bekannte Einschränkungen dokumentieren. Zu den Fehlern in der Praxis gehören die Protokollierung von PII im Klartext in CloudWatch, die fehlende Korrelation von Modellversionen mit Inferenzmetriken oder das Fehlen automatisierter Warnungen bei Drift. Entscheidungskriterien sollten die Aufbewahrungsfristen gegen die Kosten abwägen und vorschreiben, dass die Ergebnisse der Erklärbarkeit menschenlesbar sind und zusammen mit den Modell-Metadaten gespeichert werden, um die Überprüfbarkeit und gegebenenfalls die Prüfung durch Kliniker/Regulierungsbehörden zu ermöglichen.

Datenschutzwahrendes Training, RAG, Embeddings und Sicherheitsaspekte bei Bedrock

Wenn Modelle mit sensiblen Korpora interagieren oder benutzerspezifische Inhalte bereitstellen, wenden Sie datenschutzwahrende Techniken an. Mechanismen der Differentiellen Privatsphäre (DP) während des Trainings können den Beitrag einzelner Personen begrenzen; Muster des föderierten Lernens können Rohdaten vor Ort (on-premises) belassen, während Modellaktualisierungen geteilt werden. Vermeiden Sie bei der Retrieval-Augmented Generation die Indexierung von rohen PII (personenbezogenen Daten) in Vektordatenbanken; verarbeiten Sie diese mit PII-Schwärzung vor oder speichern Sie Zeiger (Pointer) und wenden Sie die Schwärzung on-the-fly beim Abruf an. Embeddings können sensible Informationen preisgeben – behandeln Sie Vektordatenbanken wie jede andere Datenbank: Verschlüsseln Sie sie im Ruhezustand (at-rest) (S3/EBS), beschränken Sie den Zugriff über IAM und VPC und erwägen Sie die Tokenisierung von Schlüsseln oder die Verwendung von Filtern zur Abfragezeit. Bedrock bietet Guardrails und Moderationswerkzeuge, um schädliche Ein- und Ausgaben zu erkennen und zu blockieren, und lässt sich in IAM- und VPC-Kontrollen integrieren; setzen Sie Guardrails als eine „Defense-in-Depth“-Schicht durch, aber verlassen Sie sich nicht auf sie als alleinige Kontrollmaßnahme. Häufige Fallstricke sind das Offenlegen der Vektordatenbank über offene Endpunkte, das Versäumnis, RAG-Indizes zu aktualisieren, was zu veralteten oder verzerrten Ausgaben führt, und die Annahme, dass Prompt-Tuning Halluzinationen beseitigt. Wählen Sie zwischen synchronem Fine-Tuning auf Bedrock und Prompt-Engineering zur Laufzeit basierend auf den Anforderungen an Latenz, Datenresidenz und Model-Governance.

Praktisches Problem: Anwendungsfallszenario

Szenario: Horizon Media, ein Streaming-Anbieter, betreibt eine SageMaker-basierte KI-Pipeline sowie Amazon Bedrock für Assistenzfunktionen. Zuschauerprotokolle und Personalisierungsdaten befinden sich in verschlüsselten S3-Buckets in eu‑west‑1 und tägliche Inhaltsmetadaten werden für RAG in eine OpenSearch-Vektordatenbank indexiert.

Herausforderung: Das Unternehmen muss personalisierte Empfehlungen und einen Bedrock-gestützten Konversationsassistenten bereitstellen und dabei das Durchsickern von PII in Embeddings verhindern, eine regionsgebundene Datenverarbeitung sicherstellen und eine auditierbare Modell-Herkunft (Lineage) sowie Drift-Warnungen gewährleisten.

Empfohlener Ansatz:

1. Konfigurieren Sie das SageMaker-Training und den Bedrock-Zugriff innerhalb einer VPC unter Verwendung von AWS PrivateLink und VPC-Interface-Endpunkten; erzwingen Sie S3-Endpunktrichtlinien, um Bucket-Präfixe einzuschränken.
2. Verwenden Sie Amazon Macie und Comprehend PII, um PII vor dem Embedding zu erkennen und zu schwärzen; speichern Sie nur geschwärzten Text oder reversible Token in der Vektordatenbank, verschlüsselt mit SSE-KMS.
3. Registrieren Sie Modelle und Artefakte in der SageMaker Model Registry und verfolgen Sie Experimente mit SageMaker Experiments; aktivieren Sie Model Monitor für Daten- und Vorhersage-Drift sowie CloudTrail/CloudWatch für Audit-Protokolle.
4. Wenden Sie Bedrock Guardrails zur Inhaltsmoderation an, erzwingen Sie IAM- und KMS-Schlüsselrichtlinien für die regionale Datenhaltung (Residency) und ziehen Sie Differentieller Privatsphäre oder synthetische Daten für das Training mit hochsensiblen Stichproben in Betracht.

Begründung: Netzwerkisolierung, zentrale Schlüsselkontrolle, PII-Schwärzung vor dem Embedding und eine umfassende Herkunftsverfolgung (Lineage) plus Überwachung entsprechen den Best Practices von Praktikern, um Datenlecks zu minimieren, die Anforderungen an die Datenresidenz zu erfüllen und eine auditierbare Governance in produktiven ML-Systemen aufrechtzuerhalten.

← Verantwortungsvolle KI · Alle Domänen · ML Data Engineering →

Diese Fragen üben → · Zeitlich begrenzte Übung auf ExamRoll.io →

Amazon durchsuchen →