Een model dat on-premises is geïmplementeerd, gebruikt gegevens die zijn opgeslagen in Amazon S3 en verwerkt gevoelige informatie om een live conversationele engine aan te drijven in een hybride cloud-opstelling. De ML-engineer moet gevoelige gegevens detecteren en verwijderen met minimale operationele overhead. Welke oplossing voldoet aan deze vereiste?

De juiste oplossing is het gebruik van Amazon Macie om gevoelige gegevens te ontdekken en AWS Lambda-functies aan te roepen om de gevoelige items te verwijderen. Amazon Macie is een beheerde service die machine learning gebruikt om gevoelige gegevens in S3-buckets te detecteren, zoals persoonlijk identificeerbare informatie (PII). Het kan automatisch S3-buckets scannen en rapporteren over de locatie van gevoelige gegevens. Lambda-functies kunnen vervolgens worden geactiveerd door Macie-bevindingen om de geïdentificeerde gevoelige gegevens te verwerken of te verwijderen, wat zorgt voor minimale operationele overhead omdat Lambda serverloos is. De andere opties zijn minder efficiënt of minder geschikt: Het model naar SageMaker verplaatsen is een herimplementatie van het model, niet alleen een oplossing voor gegevensprivacy. ECS met Fargate en AWS Batch is een robuuste oplossing, maar Macie is specifiek ontworpen voor het ontdekken van gevoelige gegevens in S3 met minder configuratie. Amazon Comprehend is een NLP-service voor tekstanalyse, niet primair voor het ontdekken van gevoelige gegevens in S3-opslag, en het starten van EC2-instances voor verwijdering voegt operationele overhead toe.