Una organización médica almacena registros clínicos que contienen PII y PHI. Un ingeniero de ML debe asegurarse de que ni PII ni PHI se utilicen para el entrenamiento del modelo. ¿Qué enfoque satisface este requisito?

La opción correcta es usar Amazon Comprehend para PII y Amazon Comprehend Medical para PHI. Amazon Comprehend es un servicio de procesamiento de lenguaje natural (NLP) que puede identificar y enmascarar PII en texto no estructurado. Amazon Comprehend Medical es una versión especializada que identifica y enmascara PHI en texto clínico. Ambos servicios están diseñados específicamente para estas tareas, asegurando que los datos sensibles se eliminen antes del entrenamiento del modelo. Almacenar datos en S3 y usar AWS Glue DataBrew para enmascarar PII y PHI podría ser una opción, pero DataBrew es una herramienta de preparación de datos que requiere configuración manual para identificar y enmascarar PII/PHI, lo cual es menos automatizado y específico que Comprehend/Comprehend Medical. Cargar datos en Amazon Redshift y usar procedimientos almacenados de SQL no es adecuado porque Redshift es una base de datos relacional y los procedimientos SQL no están optimizados para la detección y enmascaramiento automático de PII/PHI en texto no estructurado. Crear una función Lambda para cifrar PII y PHI no es suficiente, ya que el cifrado solo protege los datos en reposo o en tránsito; el modelo aún podría acceder a la información sensible una vez descifrada para el entrenamiento, lo cual es lo que se busca evitar.