Amazon AIF-C01: AI Beveiliging en Privacy — Studiegids
Onderdeel van de AWS AI Practitioner AIF-C01 — Studiegids. Oefen met geverifieerde antwoorden in het Amazon-examencentrum, of doe getimede oefentests op ExamRoll.io.
Dataprotectie en toegangscontrole
De bescherming van trainings- en inferentiedata begint met toegang volgens het ’least-privilege’-principe. Gebruik IAM-rollen voor Amazon SageMaker, AWS Lambda en Amazon Bedrock met fijnmazige policies en beperkingen op resourceniveau; sla credentials op in AWS Secrets Manager en vermijd het hardcoderen van secrets in code. Classificeer data met Amazon Macie en AWS Glue Data Catalog zodat alleen goedgekeurde datasets (en hun goedgekeurde subsets) in de trainingspipelines terechtkomen. Pas voor gevoelige attributen Comprehend PII-detectie en -redactie of tokenisatie toe vóór opslag of indexering; overweeg PII te vervangen door omkeerbare tokens wanneer koppeling vereist is voor downstream workflows. Dwing S3-bucket-policies af, blokkeer publieke toegang en vereis SSE-KMS-encryptie voor objecten die gevoelig materiaal bevatten. Gebruik KMS-key-policies en key-rotatie om te bepalen wie trainingsartefacten of model-checkpoints kan ontsleutelen. Veelvoorkomende valkuilen voor professionals zijn het toekennen van te brede SageMaker-executierollen, het vergeten te beperken van S3-prefix-toegang en het niet roteren van KMS-sleutels of IAM-credentials. Beslissingscriteria moeten de gevoeligheid van de data, de mogelijkheid om input te redigeren of te synthetiseren, en de strikte noodzaak van directe modeltoegang tot onbewerkte PII afwegen. Wanneer PII behouden moet blijven voor de bruikbaarheid van het model, geef dan de voorkeur aan geïsoleerde verwerking met gecontroleerde audittrails in plaats van open opslag.
Private connectiviteit, encryptie en sleutelbeheer
Netwerkisolatie en cryptografische controles zijn fundamenteel voor ML in productie. Implementeer SageMaker-training en -hosting binnen VPC’s met behulp van VPC-endpoints en AWS PrivateLink, zodat data nooit over het publieke internet gaat. Configureer VPC-interface-endpoints voor S3, Secrets Manager en Bedrock (waar ondersteund) en pas endpoint-policies toe om verkeer te beperken tot goedgekeurde principals en prefixes. Versleutel alle data ‘in transit’ met TLS en ‘at rest’ met SSE-KMS (S3) en EBS-encryptie voor trainingsinstances. Gebruik AWS KMS voor gecentraliseerd sleutelbeheer; overweeg multi-region-sleutels voor disaster recovery en cross-region-operaties, en beperk Decrypt-permissies met KMS-key-policies. Gebruik voor sterk gereguleerde workloads AWS Nitro Enclaves om cryptografische operaties en attestatie van modelartefacten te isoleren zonder het hostgeheugen bloot te stellen. Veelvoorkomende valkuilen zijn het vergeten te blokkeren van publieke S3-toegang bij het gebruik van endpoint-policies, het te permissief laten van EC2-metadata, of het gebruiken van customer KMS-sleutels zonder expliciete toegangscontroles. Kies voor client-side encryptie als u decryptie aan de AWS-zijde moet voorkomen, en geef de voorkeur aan SSE-KMS wanneer u fijnmazige auditeerbaarheid van toegang plus integratie met AWS-services nodig heeft.
Logging, auditing, governance en explainability
Zorg voor end-to-end observeerbaarheid: activeer CloudTrail voor auditing op API-niveau voor SageMaker, Bedrock, KMS en S3; stream logs naar CloudWatch en naar een gecentraliseerd, onveranderlijk archief voor retentie en compliance. Gebruik AWS Config om resourceconfiguraties vast te leggen en ‘drift’ te detecteren. Gebruik voor ML-specifieke ’lineage’ en ‘governance’ SageMaker Model Registry en SageMaker Experiments om modelmetadata, versionering, herkomst (‘provenance’) en implementatiegeschiedenis vast te leggen; integreer SageMaker Model Monitor om ‘concept drift’, ‘data skew’ en verslechtering van de voorspellingskwaliteit te detecteren. Instrumenteer voor biasdetectie en ’explainability’ pipelines met SageMaker Clarify voor metrieken over dataset-bias, SHAP of ‘integrated gradients’ voor ‘feature attribution’, en produceer ‘model cards’ die trainingsdata, evaluatiemetrieken en bekende beperkingen documenteren. Valkuilen voor professionals zijn onder meer het loggen van PII als platte tekst naar CloudWatch, het niet correleren van modelversies met inferentiemetrieken, of het ontbreken van geautomatiseerde waarschuwingen bij ‘drift’. Beslissingscriteria moeten retentieperiodes afwegen tegen kosten, en vereisen dat ’explainability’-outputs voor mensen leesbaar zijn en worden opgeslagen met modelmetadata voor auditeerbaarheid en, waar van toepassing, voor beoordeling door clinici/toezichthouders.
Training met behoud van privacy, RAG, embeddings en beveiligingsoverwegingen voor Bedrock
Wanneer modellen interageren met gevoelige corpora of gebruikersspecifieke content leveren, pas dan technieken toe die de privacy bewaren. Mechanismes voor Differential Privacy (DP) tijdens de training kunnen de bijdrage van individuen beperken; patronen voor federated learning kunnen ruwe data on-premises houden terwijl modelupdates worden gedeeld. Voor Retrieval-Augmented Generation (RAG), vermijd het indexeren van ruwe PII in vector stores; voer preprocessing uit met PII-redactie of sla pointers op en pas on-the-fly redactie toe bij het ophalen van data. Embeddings kunnen gevoelige informatie lekken — behandel vector stores zoals elke andere database: versleutel data at rest (S3/EBS), beperk de toegang via IAM en VPC, en overweeg het tokenizen van sleutels of het gebruik van filters op query-tijd. Bedrock biedt guardrails en moderatietools om schadelijke input/output te detecteren en te blokkeren, en integreert met IAM- en VPC-controles; dwing guardrails af als een defense-in-depth laag, maar vertrouw er niet op als de enige controlemaatregel. Veelvoorkomende valkuilen zijn het blootstellen van de vector-DB via openbare endpoints, het niet vernieuwen van RAG-indexen wat leidt tot verouderde of bevooroordeelde output, en de aanname dat prompt tuning hallucinaties elimineert. Maak een keuze tussen synchrone fine-tuning op Bedrock en runtime prompt engineering op basis van latency, data residency en de vereisten voor model governance.
Praktijkprobleem: Gebruiksscenario
Scenario: Horizon Media, een streamingprovider, gebruikt een op SageMaker gebaseerde AI-pipeline plus Amazon Bedrock voor assistent-functies. Kijkcijferlogs en personalisatiegegevens staan in versleutelde S3-buckets in eu‑west‑1 en dagelijkse contentmetadata wordt geïndexeerd in een OpenSearch vector store voor RAG.
Uitdaging: Ze moeten gepersonaliseerde aanbevelingen en een door Bedrock ondersteunde conversatie-assistent leveren, terwijl ze PII-lekkage naar embeddings moeten voorkomen, regio-gebonden dataverwerking moeten garanderen en auditeerbare model lineage en drift-waarschuwingen moeten bieden.
Aanbevolen Aanpak:
- Configureer SageMaker-training en Bedrock-toegang binnen een VPC met behulp van AWS PrivateLink en VPC interface endpoints; dwing S3 endpoint policies af om bucket-prefixes te beperken.
- Gebruik Amazon Macie en Comprehend PII om PII te detecteren en te redigeren vóór het embedden; sla alleen geredigeerde tekst of omkeerbare tokens op in de vector store, versleuteld met SSE-KMS.
- Registreer modellen en artefacten in SageMaker Model Registry en volg experimenten met SageMaker Experiments; schakel Model Monitor in voor data- en voorspellingsdrift en CloudTrail/CloudWatch voor auditlogs.
- Pas Bedrock guardrails toe voor contentmoderatie, dwing IAM- en KMS-sleutelbeleid af voor regio-residentie, en overweeg differential privacy of synthetische data voor training op zeer gevoelige samples.
Redenering: Netwerkisolatie, gecentraliseerd sleutelbeheer, PII-redactie vóór het embedden, en uitgebreide lineage plus monitoring sluiten aan bij de best practices van professionals om lekkage te minimaliseren, te voldoen aan data residency en auditeerbare governance te handhaven in productie-ML-systemen.
← Verantwoorde AI en Governance · Alle domeinen · ML Data Engineering →
Oefen deze vragen → · Getimede oefening op ExamRoll.io →
Pass the whole exam — not just this question
You found this answer. Get every verified question and explanation in one place, and save hours of prep. Free to start.
Slaag voor je examen →