Amazon AIF-C01: AI 보안 및 개인 정보 보호 — 학습 가이드

By Laurynas Brazys · 31 July 2026 · #amazon #aif-c01 #certification #exam-prep #study-guide

다음의 일부입니다: AWS AI Practitioner AIF-C01 — 학습 가이드. 검증된 답안으로 연습하기: Amazon 시험 허브, 또는 다음에서 시간 제한 모의고사 풀기: ExamRoll.io.

데이터 보호 및 액세스 제어

훈련 및 추론 데이터 보호는 최소 권한 액세스에서 시작됩니다. 세분화된 정책과 리소스 수준 제한을 사용하여 Amazon SageMaker, AWS Lambda, Amazon Bedrock에 대한 IAM 역할을 사용하세요. 자격 증명은 AWS Secrets Manager에 저장하고 코드에 시크릿을 포함하지 마세요. Amazon Macie와 AWS Glue Data Catalog로 데이터를 분류하여 승인된 데이터 세트(및 승인된 하위 집합)만 훈련 파이프라인에 들어가도록 하세요. 민감한 속성의 경우, 저장 또는 인덱싱 전에 Comprehend PII 탐지 및 수정 또는 토큰화를 적용하세요. 다운스트림 워크플로에 연결이 필요한 경우 PII를 가역 토큰으로 대체하는 것을 고려하세요. S3 버킷 정책을 강제하고, 퍼블릭 액세스를 차단하며, 민감한 자료를 포함하는 객체에 대해 SSE-KMS 암호화를 요구하세요. KMS 키 정책과 키 순환을 사용하여 누가 훈련 아티팩트나 모델 체크포인트를 복호화할 수 있는지 제어하세요. 실무자가 흔히 빠지는 함정으로는 광범위한 SageMaker 실행 역할을 부여하거나, S3 접두사 액세스 제한을 잊거나, KMS 키 또는 IAM 자격 증명을 순환하지 않는 것 등이 있습니다. 의사 결정 기준은 데이터의 민감도, 입력 데이터 수정 또는 합성 능력, 원시 PII에 대한 모델의 직접적인 액세스가 반드시 필요한지 여부를 고려해야 합니다. 모델 유용성을 위해 PII를 보존해야 하는 경우, 개방된 스토리지보다는 통제된 감사 추적이 가능한 격리된 처리를 선호해야 합니다.

프라이빗 연결, 암호화 및 키 관리

네트워크 격리 및 암호화 제어는 프로덕션 ML의 기본입니다. VPC 엔드포인트와 AWS PrivateLink를 사용하여 VPC 내부에 SageMaker 훈련 및 호스팅을 배포하여 데이터가 절대 퍼블릭 인터넷을 통과하지 않도록 하세요. S3, Secrets Manager, Bedrock(지원되는 경우)에 대한 VPC 인터페이스 엔드포인트를 구성하고, 엔드포인트 정책을 적용하여 트래픽을 승인된 보안 주체 및 접두사로 제한하세요. 전송 중인 모든 데이터는 TLS로, 저장된 데이터는 SSE-KMS(S3) 및 훈련 인스턴스용 EBS 암호화로 암호화하세요. 중앙 집중식 키 관리를 위해 AWS KMS를 사용하세요. 재해 복구 및 교차 리전 작업을 위해 다중 리전 키를 고려하고, KMS 키 정책을 사용하여 복호화(Decrypt) 권한을 제한하세요. 규제가 엄격한 워크로드의 경우, AWS Nitro Enclaves를 사용하여 호스트 메모리를 노출하지 않고 암호화 작업과 모델 아티팩트의 증명을 격리하세요. 일반적인 함정으로는 엔드포인트 정책 사용 시 S3 퍼블릭 액세스 차단을 잊거나, EC2 메타데이터를 지나치게 허용적으로 두거나, 명시적인 액세스 제어 없이 고객 KMS 키를 사용하는 것 등이 있습니다. AWS 측에서의 복호화를 방지해야 하는 경우 클라이언트 측 암호화를 선택하고, 세분화된 액세스 감사 기능과 AWS 서비스와의 통합이 필요한 경우 SSE-KMS를 선호하세요.

로깅, 감사, 거버넌스 및 설명 가능성

엔드투엔드 관찰 가능성을 유지하세요: SageMaker, Bedrock, KMS, S3 전반에 걸쳐 API 수준 감사를 위해 CloudTrail을 활성화하고, 로그를 CloudWatch 및 보존과 규정 준수를 위한 중앙 집중식 불변 아카이브로 스트리밍하세요. AWS Config를 사용하여 리소스 구성을 기록하고 드리프트를 탐지하세요. ML 관련 계보 및 거버넌스를 위해 SageMaker Model Registry와 SageMaker Experiments를 사용하여 모델 메타데이터, 버전 관리, 출처, 배포 이력을 캡처하세요. SageMaker Model Monitor를 통합하여 개념 드리프트, 데이터 스큐, 예측 품질 저하를 탐지하세요. 편향 탐지 및 설명 가능성을 위해, SageMaker Clarify로 파이프라인을 계측하여 데이터 세트 편향 지표를 측정하고, SHAP 또는 통합 그래디언트를 사용하여 특성 기여도를 분석하며, 훈련 데이터, 평가 지표, 알려진 한계를 문서화하는 모델 카드를 생성하세요. 실무자가 빠지는 함정으로는 PII 일반 텍스트를 CloudWatch에 로깅하거나, 모델 버전을 추론 지표와 연관시키지 않거나, 드리프트에 대한 자동화된 경고가 없는 것 등이 있습니다. 의사 결정 기준은 보존 기간과 비용의 균형을 맞춰야 하며, 설명 가능성 결과물은 사람이 읽을 수 있는 형식이어야 하고 감사 가능성 및 해당되는 경우 임상의/규제 기관 검토를 위해 모델 메타데이터와 함께 저장되도록 요구해야 합니다.

개인정보 보호 훈련, RAG, 임베딩 및 Bedrock 보안 고려 사항

모델이 민감한 코퍼스와 상호 작용하거나 사용자별 콘텐츠를 제공할 때, 개인정보 보호 기술을 적용해야 합니다. 훈련 중 차분 프라이버시(DP) 메커니즘을 사용하면 개별 기여도를 제한할 수 있으며, 연합 학습 패턴을 사용하면 원시 레코드를 온프레미스에 유지하면서 모델 업데이트를 공유할 수 있습니다. 검색 증강 생성(RAG)의 경우, 원시 PII를 벡터 스토어에 인덱싱하는 것을 피해야 합니다. PII 비식별화로 전처리하거나 포인터를 저장하고 검색 시 실시간으로 비식별화를 적용하세요. 임베딩은 민감한 정보를 유출할 수 있으므로 벡터 스토어를 다른 데이터베이스처럼 취급해야 합니다. 즉, 미사용 시 암호화(S3/EBS)하고, IAM 및 VPC를 통해 액세스를 제한하며, 키를 토큰화하거나 쿼리 시간 필터를 사용하는 것을 고려하세요. Bedrock은 유해한 입력/출력을 감지하고 차단하기 위한 가드레일과 조정 도구를 제공하며, IAM 및 VPC 제어와 통합됩니다. 가드레일을 심층 방어 계층으로 적용하되, 유일한 제어 수단으로 의존해서는 안 됩니다. 일반적인 함정으로는 개방형 엔드포인트를 통해 벡터 DB를 노출하거나, RAG 인덱스를 새로 고치지 않아 오래되거나 편향된 출력을 유발하거나, 프롬프트 튜닝이 환각(hallucination)을 제거한다고 가정하는 것 등이 있습니다. 지연 시간, 데이터 상주 위치, 모델 거버넌스 요구 사항에 따라 Bedrock에서의 동기식 미세 조정과 런타임 프롬프트 엔지니어링 중에서 선택하세요.

실용적인 문제: 사용 사례 시나리오

시나리오: 스트리밍 제공업체인 Horizon Media는 SageMaker 기반 AI 파이프라인과 Amazon Bedrock을 어시스턴트 기능에 사용하고 있습니다. 시청 기록과 개인화 데이터는 eu‑west‑1의 암호화된 S3 버킷에 저장되며, 일일 콘텐츠 메타데이터는 RAG를 위해 OpenSearch 벡터 스토어에 인덱싱됩니다.

과제: 개인화된 추천과 Bedrock 기반 대화형 어시스턴트를 제공하면서, PII가 임베딩으로 유출되는 것을 방지하고, 리전 내 데이터 처리를 보장하며, 감사 가능한 모델 계보 및 드리프트 경고를 제공해야 합니다.

권장 접근 방식:

1. AWS PrivateLink 및 VPC 인터페이스 엔드포인트를 사용하여 VPC 내에서 SageMaker 훈련 및 Bedrock 액세스를 구성합니다. S3 엔드포인트 정책을 적용하여 버킷 접두사를 제한합니다.
2. 임베딩 전에 Amazon Macie와 Comprehend PII를 사용하여 PII를 탐지하고 비식별화합니다. 비식별화된 텍스트나 복원 가능한 토큰만 SSE-KMS로 암호화하여 벡터 스토어에 저장합니다.
3. SageMaker Model Registry에 모델과 아티팩트를 등록하고 SageMaker Experiments로 실험을 추적합니다. 데이터 및 예측 드리프트를 위해 Model Monitor를 활성화하고, 감사 로그를 위해 CloudTrail/CloudWatch를 사용합니다.
4. 콘텐츠 조정을 위해 Bedrock 가드레일을 적용하고, 리전 상주를 위해 IAM 및 KMS 키 정책을 시행하며, 매우 민감한 샘플에 대한 훈련을 위해 차분 프라이버시 또는 합성 데이터 사용을 고려합니다.

근거: 네트워크 격리, 중앙 집중식 키 제어, 임베딩 전 PII 비식별화, 포괄적인 계보 및 모니터링은 유출을 최소화하고, 데이터 상주 요구 사항을 충족하며, 프로덕션 ML 시스템에서 감사 가능한 거버넌스를 유지하기 위한 전문가들의 모범 사례와 일치합니다.

← 책임감 있는 AI 및 거버넌스 · 모든 도메인 · ML 데이터 엔지니어링 →

이 문제 연습하기 → · ExamRoll.io에서 시간 제한 연습 →

Amazon 찾아보기 →