Amazon AIF-C01: Sicurezza e Privacy dell'AI — Guida allo studio

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

Fa parte della AWS AI Practitioner AIF-C01 — Guida allo studio. Esercitati con risposte verificate nel centro esami Amazon, oppure fai test cronometrati su ExamRoll.io.

Protezione dei dati e controllo degli accessi

La protezione dei dati di training e inferenza inizia con l’accesso basato sul principio del privilegio minimo. Utilizza ruoli IAM per Amazon SageMaker, AWS Lambda e Amazon Bedrock con policy granulari e restrizioni a livello di risorsa; archivia le credenziali in AWS Secrets Manager ed evita di incorporare i segreti nel codice. Classifica i dati con Amazon Macie e AWS Glue Data Catalog in modo che solo i set di dati approvati (e i loro sottoinsiemi approvati) entrino nelle pipeline di training. Per gli attributi sensibili, applica il rilevamento e la redazione o la tokenizzazione delle PII (Personally Identifiable Information) con Comprehend prima dell’archiviazione o dell’indicizzazione; valuta la possibilità di sostituire le PII con token reversibili quando è necessario un collegamento per i flussi di lavoro a valle. Applica policy dei bucket S3, blocca l’accesso pubblico e richiedi la crittografia SSE-KMS per gli oggetti che contengono materiale sensibile. Usa le policy delle chiavi KMS e la rotazione delle chiavi per controllare chi può decrittografare gli artefatti di training o i checkpoint del modello. Le trappole comuni per gli operatori includono la concessione di ruoli di esecuzione di SageMaker troppo ampi, la dimenticanza di limitare l’accesso ai prefissi S3 e la mancata rotazione delle chiavi KMS o delle credenziali IAM. I criteri decisionali dovrebbero ponderare la sensibilità dei dati, la capacità di redigere o sintetizzare gli input e se l’accesso diretto del modello alle PII grezze sia strettamente necessario. Quando le PII devono essere conservate per l’utilità del modello, prediligi un’elaborazione isolata con percorsi di audit controllati piuttosto che un’archiviazione aperta.

Connettività privata, crittografia e gestione delle chiavi

L’isolamento della rete e i controlli crittografici sono fondamentali per l’ML in produzione. Esegui il deployment del training e dell’hosting di SageMaker all’interno di VPC utilizzando endpoint VPC e AWS PrivateLink, in modo che i dati non transitino mai sulla rete Internet pubblica. Configura endpoint di interfaccia VPC per S3, Secrets Manager e Bedrock (dove supportato) e applica policy degli endpoint per limitare il traffico ai principal e ai prefissi approvati. Crittografa tutti i dati in transito con TLS e a riposo con SSE-KMS (S3) e la crittografia EBS per le istanze di training. Usa AWS KMS per la gestione centralizzata delle chiavi; considera le chiavi multi-regione per il disaster recovery e le operazioni cross-region, e limita le autorizzazioni di decrittografia (Decrypt) utilizzando le policy delle chiavi KMS. Per i carichi di lavoro altamente regolamentati, utilizza AWS Nitro Enclaves per isolare le operazioni crittografiche e l’attestazione degli artefatti del modello senza esporre la memoria dell’host. Le trappole comuni includono dimenticare di bloccare l’accesso pubblico a S3 quando si utilizzano le policy degli endpoint, lasciare i metadati di EC2 eccessivamente permissivi o utilizzare chiavi KMS del cliente senza controlli di accesso espliciti. Scegli la crittografia lato client se devi impedire la decrittografia da parte di AWS e preferisci SSE-KMS quando hai bisogno di un’auditabilità granulare degli accessi e dell’integrazione con i servizi AWS.

Logging, auditing, governance e spiegabilità

Mantieni l’osservabilità end-to-end: abilita CloudTrail per l’auditing a livello di API su SageMaker, Bedrock, KMS e S3; invia i log in streaming a CloudWatch e a un archivio centralizzato e immutabile per la conservazione e la conformità. Usa AWS Config per registrare le configurazioni delle risorse e rilevare il drift. Per la lineage e la governance specifiche dell’ML, usa SageMaker Model Registry e SageMaker Experiments per acquisire metadati del modello, versioning, provenienza e cronologia dei deployment; integra SageMaker Model Monitor per rilevare il concept drift, il data skew e il degrado della qualità delle previsioni. Per il rilevamento del bias e la spiegabilità (explainability), strumenta le pipeline con SageMaker Clarify per le metriche di bias del set di dati, SHAP o gradienti integrati per l’attribuzione delle feature e produci model card che documentino i dati di training, le metriche di valutazione e le limitazioni note. Le trappole per gli operatori includono la registrazione di PII in testo semplice su CloudWatch, la mancata correlazione tra le versioni del modello e le metriche di inferenza, o la mancanza di avvisi automatici sul drift. I criteri decisionali dovrebbero bilanciare i periodi di conservazione (retention window) con i costi e richiedere che gli output di spiegabilità siano leggibili dall’uomo e archiviati con i metadati del modello per l’auditabilità e la revisione da parte di medici/enti regolatori, ove applicabile.

Addestramento con tutela della privacy, RAG, embedding e considerazioni sulla sicurezza di Bedrock

Quando i modelli interagiscono con corpus di dati sensibili o forniscono contenuti specifici per l’utente, è necessario applicare tecniche che preservino la privacy. I meccanismi di privacy differenziale (DP) durante l’addestramento possono limitare il contributo individuale; i pattern di apprendimento federato possono mantenere i record grezzi on-premise, condividendo solo gli aggiornamenti del modello. Per la Generazione Aumentata da Recupero (RAG), evitare di indicizzare PII grezze nei vector store; pre-elaborare i dati con la redazione (oscuramento) delle PII o memorizzare puntatori e applicare la redazione on-the-fly al momento del recupero. Gli embedding possono far trapelare informazioni sensibili: trattare i vector store come qualsiasi altro database, crittografandoli at-rest (S3/EBS), limitando l’accesso tramite IAM e VPC e considerando la tokenizzazione delle chiavi o l’uso di filtri a tempo di query. Bedrock fornisce guardrail e strumenti di moderazione per rilevare e bloccare input/output dannosi e si integra con i controlli IAM e VPC; applicare i guardrail come livello di difesa in profondità (defense-in-depth), ma non fare affidamento su di essi come unico controllo. Le trappole comuni includono l’esposizione del DB vettoriale tramite endpoint aperti, il mancato aggiornamento degli indici RAG che causa output obsoleti o distorti (biased) e il presumere che il prompt tuning elimini le allucinazioni. Scegliere tra il fine-tuning sincrono su Bedrock e il prompt engineering a runtime in base alle esigenze di latenza, residenza dei dati (data residency) e governance del modello.

Problema Pratico: Scenario d’uso

Scenario: Horizon Media, un fornitore di servizi di streaming, gestisce una pipeline di IA basata su SageMaker e utilizza Amazon Bedrock per le funzionalità di assistente. I log di visualizzazione e i dati di personalizzazione risiedono in bucket S3 crittografati in eu‑west‑1 e i metadati giornalieri dei contenuti vengono indicizzati in un vector store OpenSearch per la RAG.

Sfida: Devono fornire raccomandazioni personalizzate e un assistente conversazionale basato su Bedrock, prevenendo al contempo la fuga di PII negli embedding, garantendo l’elaborazione dei dati vincolata a una specifica regione e fornendo una tracciabilità (lineage) del modello verificabile e avvisi di drift.

Approccio consigliato:

1. Configurare l’addestramento di SageMaker e l’accesso a Bedrock all’interno di un VPC utilizzando AWS PrivateLink e endpoint di interfaccia VPC; applicare policy per gli endpoint S3 per limitare i prefissi dei bucket.
2. Utilizzare Amazon Macie e Comprehend PII per rilevare e oscurare le PII prima di creare gli embedding; memorizzare solo testo oscurato o token reversibili nel vector store, crittografato con SSE-KMS.
3. Registrare modelli e artefatti in SageMaker Model Registry e tracciare gli esperimenti con SageMaker Experiments; abilitare Model Monitor per il drift dei dati e delle predizioni e CloudTrail/CloudWatch per i log di audit.
4. Applicare i guardrail di Bedrock per la moderazione dei contenuti, applicare policy IAM e delle chiavi KMS per la residenza dei dati in una specifica regione e considerare la privacy differenziale o i dati sintetici per l’addestramento su campioni altamente sensibili.

Motivazione: L’isolamento di rete, il controllo centralizzato delle chiavi, la redazione delle PII prima della creazione degli embedding e una tracciabilità e un monitoraggio completi si allineano con le best practice del settore per minimizzare le fughe di dati, rispettare i requisiti di residenza dei dati e mantenere una governance verificabile nei sistemi di ML in produzione.

← AI Responsabile e Governance · Tutti i domini · Ingegneria dei Dati per ML →

Esercitati su queste domande → · Pratica cronometrata su ExamRoll.io →

Sfoglia Amazon →