Model wdrożony lokalnie wykorzystuje dane przechowywane w Amazon S3 i przetwarza poufne informacje do zasilania silnika konwersacyjnego na żywo w konfiguracji chmury hybrydowej. Inżynier ML musi wykryć i usunąć poufne dane przy minimalnym nakładzie operacyjnym. Które rozwiązanie spełnia ten wymóg?

Amazon Macie to usługa zarządzana, która wykorzystuje uczenie maszynowe do wykrywania i ochrony wrażliwych danych w Amazon S3. Może automatycznie identyfikować dane osobowe (PII) i inne poufne informacje, co minimalizuje nakład operacyjny. Integracja z AWS Lambda pozwala na automatyczne usuwanie lub maskowanie wykrytych danych, co spełnia wymagania zadania. Pozostałe opcje są mniej efektywne: Wdrażanie modelu na Amazon SageMaker lub Amazon ECS z AWS Fargate i budowanie niestandardowych funkcji Lambda lub zadań AWS Batch do wykrywania poufnych danych wymagałoby znacznie większego nakładu pracy na rozwój i utrzymanie, ponieważ Macie oferuje to jako gotową usługę. Amazon Comprehend jest usługą przetwarzania języka naturalnego (NLP) i choć może identyfikować niektóre wrażliwe dane, nie jest przeznaczony do skanowania całych zasobników S3 w celu wykrywania PII w taki sposób jak Macie. Uruchamianie instancji EC2 do usuwania jest również mniej wydajne i droższe niż użycie funkcji Lambda.