Amazon AIF-C01: Безопасность и конфиденциальность ИИ — Руководство по подготовке

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

Часть AWS AI Practitioner AIF-C01 — Руководство по подготовке. Практикуйтесь с проверенными ответами в центре экзаменов Amazon, или пройдите тесты на время на ExamRoll.io.

Защита данных и контроль доступа

Защита данных для обучения и инференса начинается с предоставления минимально необходимых привилегий. Используйте IAM-роли для Amazon SageMaker, AWS Lambda и Amazon Bedrock с гранулярными политиками и ограничениями на уровне ресурсов; храните учетные данные в AWS Secrets Manager и избегайте встраивания секретов в код. Классифицируйте данные с помощью Amazon Macie и AWS Glue Data Catalog, чтобы в конвейеры обучения попадали только утвержденные наборы данных (и их утвержденные подмножества). Для конфиденциальных атрибутов применяйте обнаружение и редактирование или токенизацию PII с помощью Comprehend перед сохранением или индексацией; рассмотрите возможность замены PII обратимыми токенами, если для последующих рабочих процессов требуется связывание данных. Применяйте политики для бакетов S3, блокируйте публичный доступ и требуйте шифрования SSE-KMS для объектов, содержащих конфиденциальные материалы. Используйте политики ключей KMS и ротацию ключей, чтобы контролировать, кто может расшифровывать артефакты обучения или контрольные точки модели. Распространенные ошибки специалистов включают предоставление слишком широких ролей выполнения SageMaker, отсутствие ограничений на доступ к префиксам S3 и отказ от ротации ключей KMS или учетных данных IAM. Критерии принятия решений должны учитывать чувствительность данных, возможность редактирования или синтезирования входных данных, а также строгую необходимость прямого доступа модели к необработанным PII. Когда PII необходимо сохранить для обеспечения полезности модели, отдавайте предпочтение изолированной обработке с контролируемыми журналами аудита, а не открытому хранению.

Приватное подключение, шифрование и управление ключами

Сетевая изоляция и криптографический контроль являются основополагающими для производственного ML. Развертывайте обучение и хостинг SageMaker внутри VPC, используя конечные точки VPC и AWS PrivateLink, чтобы данные никогда не передавались через общедоступный интернет. Настройте интерфейсные конечные точки VPC для S3, Secrets Manager и Bedrock (где это поддерживается) и применяйте политики конечных точек для ограничения трафика до утвержденных принципалов и префиксов. Шифруйте все данные при передаче с помощью TLS и в состоянии покоя с помощью SSE-KMS (S3) и шифрования EBS для обучающих инстансов. Используйте AWS KMS для централизованного управления ключами; рассмотрите возможность использования мультирегиональных ключей для аварийного восстановления и межрегиональных операций, а также ограничивайте разрешения на расшифровку (Decrypt) с помощью политик ключей KMS. Для рабочих нагрузок с высокими требованиями к регулированию используйте AWS Nitro Enclaves для изоляции криптографических операций и аттестации артефактов модели без раскрытия памяти хоста. Распространенные ошибки включают отсутствие блокировки публичного доступа к S3 при использовании политик конечных точек, оставление слишком разрешительных метаданных EC2 или использование клиентских ключей KMS без явного контроля доступа. Выбирайте шифрование на стороне клиента, если необходимо предотвратить расшифровку на стороне AWS, и отдавайте предпочтение SSE-KMS, когда вам требуется гранулярный аудит доступа и интеграция с сервисами AWS.

Логирование, аудит, управление и объяснимость

Обеспечьте сквозную наблюдаемость: включите CloudTrail для аудита на уровне API для SageMaker, Bedrock, KMS и S3; передавайте логи в CloudWatch и в централизованный, неизменяемый архив для хранения и соответствия требованиям. Используйте AWS Config для записи конфигураций ресурсов и обнаружения отклонений (drift). Для отслеживания происхождения и управления в ML используйте SageMaker Model Registry и SageMaker Experiments для сбора метаданных модели, версионирования, происхождения и истории развертываний; интегрируйте SageMaker Model Monitor для обнаружения дрейфа концепции (concept drift), смещения данных (data skew) и ухудшения качества прогнозов. Для обнаружения предвзятости и обеспечения объяснимости (explainability) встраивайте в конвейеры SageMaker Clarify для получения метрик предвзятости набора данных, SHAP или интегрированные градиенты для определения важности признаков (feature attribution), и создавайте карточки моделей (model cards), документирующие данные для обучения, метрики оценки и известные ограничения. Ошибки специалистов включают логирование PII в виде открытого текста в CloudWatch, отсутствие корреляции версий модели с метриками инференса или отсутствие автоматических оповещений о дрейфе. Критерии принятия решений должны сбалансировать сроки хранения с затратами и требовать, чтобы результаты объяснимости были удобочитаемыми и хранились вместе с метаданными модели для аудита и проверки клиницистами/регуляторами, где это применимо.

Обучение с сохранением конфиденциальности, RAG, эмбеддинги и аспекты безопасности Bedrock

Когда модели взаимодействуют с конфиденциальными корпусами данных или предоставляют контент для конкретных пользователей, применяйте методы сохранения конфиденциальности. Механизмы дифференциальной приватности (DP) во время обучения могут ограничить вклад отдельных записей; паттерны федеративного обучения позволяют хранить необработанные данные локально (on-premises), обмениваясь только обновлениями модели. Для Retrieval-Augmented Generation (RAG) избегайте индексации необработанных персональных данных (PII) в векторные хранилища; предварительно обрабатывайте данные с помощью редактирования PII или храните указатели и применяйте редактирование «на лету» при извлечении. Эмбеддинги могут приводить к утечке конфиденциальной информации — относитесь к векторным хранилищам как к любой базе данных: шифруйте их в состоянии покоя (S3/EBS), ограничивайте доступ с помощью IAM и VPC и рассмотрите возможность токенизации ключей или использования фильтров во время выполнения запросов. Bedrock предоставляет защитные механизмы (guardrails) и инструменты модерации для обнаружения и блокировки вредоносных входных/выходных данных, а также интегрируется с элементами управления IAM и VPC; применяйте защитные механизмы как один из уровней эшелонированной защиты (defense-in-depth), но не полагайтесь на них как на единственное средство контроля. Распространенные ошибки включают открытие векторной БД через общедоступные эндпоинты, отказ от обновления индексов RAG, что приводит к устаревшим или предвзятым результатам, и предположение, что настройка промптов полностью устраняет галлюцинации. Выбирайте между синхронной донастройкой (fine-tuning) в Bedrock и инжинирингом промптов во время выполнения (runtime prompt engineering) в зависимости от требований к задержке, резидентности данных и управлению моделями.

Практическая задача: сценарий использования

Сценарий: Horizon Media, поставщик потокового вещания, использует конвейер ИИ на базе SageMaker и Amazon Bedrock для функций ассистента. Журналы просмотров и данные для персонализации хранятся в зашифрованных бакетах S3 в регионе eu‑west‑1, а ежедневные метаданные контента индексируются в векторном хранилище OpenSearch для RAG.

Задача: Им необходимо предоставлять персонализированные рекомендации и диалогового ассистента на базе Bedrock, предотвращая при этом утечку PII в эмбеддинги, обеспечивая обработку данных в пределах одного региона и предоставляя проверяемую историю происхождения модели (lineage) и оповещения о смещении (drift).

Рекомендуемый подход:

1. Настройте обучение в SageMaker и доступ к Bedrock в пределах VPC, используя AWS PrivateLink и интерфейсные эндпоинты VPC; примените политики эндпоинтов S3 для ограничения доступа по префиксам бакетов.
2. Используйте Amazon Macie и Comprehend PII для обнаружения и редактирования PII перед созданием эмбеддингов; храните в векторном хранилище только отредактированный текст или обратимые токены, зашифрованные с помощью SSE-KMS.
3. Регистрируйте модели и артефакты в SageMaker Model Registry и отслеживайте эксперименты с помощью SageMaker Experiments; включите Model Monitor для отслеживания смещения данных и прогнозов, а также CloudTrail/CloudWatch для журналов аудита.
4. Применяйте защитные механизмы (guardrails) Bedrock для модерации контента, используйте политики IAM и ключей KMS для обеспечения резидентности данных в регионе и рассмотрите возможность применения дифференциальной приватности или синтетических данных для обучения на особо конфиденциальных выборках.

Обоснование: Сетевая изоляция, централизованное управление ключами, редактирование PII перед созданием эмбеддингов, а также комплексное отслеживание происхождения и мониторинг соответствуют лучшим практикам для минимизации утечек, соблюдения требований к резидентности данных и поддержания проверяемого управления в производственных системах машинного обучения.

← Ответственный ИИ и управление · Все домены · Инженерия данных для ML →

Отработать эти вопросы → · Тесты на время на ExamRoll.io →

Просмотреть Amazon →