HealthBridge (une application de santé) exposera un LLM via Amazon Bedrock. La conformité exige le blocage des instructions de diagnostic médical, la suppression de toute information personnellement identifiable (PII) des sorties du modèle et la journalisation des violations. Quelle est la configuration et l'intégration appropriées des garde-fous Bedrock pour répondre à ces exigences ?

La bonne réponse combine les capacités des garde-fous Bedrock avec l'intégration de services AWS pour une solution complète. Les garde-fous Bedrock, avec une politique personnalisée, sont conçus pour bloquer les sujets interdits comme les diagnostics médicaux, répondant ainsi à l'exigence de conformité. L'intégration d'Amazon Comprehend pour la détection et le masquage des PII est la méthode standard pour gérer les informations sensibles dans les sorties de LLM. La journalisation vers CloudWatch Logs et S3 assure la traçabilité et l'auditabilité des violations et des masquages. Les autres options sont insuffisantes : L'ingénierie des invites seule n'est pas une garantie de conformité et ne gère pas les PII ou la journalisation. L'utilisation de politiques IAM pour refuser l'invocation et AWS WAF pour filtrer les réponses n'est pas la méthode appropriée pour la détection de contenu ou de PII au niveau du contenu du LLM. L'analyse Lambda périodique est réactive, pas préventive. Déployer le modèle dans SageMaker est une solution plus complexe et ne tire pas parti des garde-fous natifs de Bedrock. Le masquage nocturne des PII n'est pas conforme aux exigences de suppression immédiate.