HealthBridge (un'app sanitaria) esporrà un LLM tramite Amazon Bedrock. La conformità richiede il blocco delle istruzioni di diagnosi medica, la rimozione di qualsiasi informazione di identificazione personale (PII) dagli output del modello e la registrazione delle violazioni. Qual è la configurazione e l'integrazione appropriate dei guardrail di Bedrock per soddisfare questi requisiti?

L'opzione corretta descrive l'utilizzo di Guardrail di Bedrock, che sono progettati specificamente per implementare politiche di sicurezza e conformità per i LLM. La configurazione di una policy personalizzata con il comportamento BLOCK per argomenti sensibili (diagnosi mediche) impedisce al modello di generare tali contenuti. L'integrazione di Amazon Comprehend per il rilevamento e la redazione di PII garantisce che le informazioni sensibili siano rimosse dagli output del modello in tempo reale. La registrazione su CloudWatch Logs e S3 fornisce una traccia di audit completa delle violazioni e delle azioni di redazione, soddisfacendo i requisiti di conformità. Le altre opzioni sono meno efficaci o inappropriate: Affidarsi esclusivamente all'ingegneria dei prompt è insufficiente, poiché i modelli possono deviare dalle istruzioni. L'utilizzo di IAM SCP e AWS WAF non è il meccanismo primario per la moderazione dei contenuti dei LLM in Bedrock, e la scansione periodica in S3 non offre protezione in tempo reale. La distribuzione su SageMaker e l'affidamento a processi batch notturni per la redazione delle PII non soddisfano il requisito di rimozione immediata delle PII dagli output del modello.