Amazon AIF-C01: AI Güvenliği ve Gizlilik — Çalışma kılavuzu

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

Şunun bir parçası: AWS AI Practitioner AIF-C01 — Çalışma kılavuzu. Doğrulanmış cevaplarla şurada pratik yapın: Amazon sınav merkezi, veya şurada süreli deneme sınavları çözün: ExamRoll.io.

Veri koruma ve erişim kontrolü

Eğitim ve çıkarım verilerini korumak, en az ayrıcalıkla erişim ilkesiyle başlar. Amazon SageMaker, AWS Lambda ve Amazon Bedrock için ayrıntılı policy’ler ve kaynak seviyesinde kısıtlamalar içeren IAM rolleri kullanın; kimlik bilgilerini AWS Secrets Manager’da saklayın ve gizli bilgileri koda gömmekten kaçının. Yalnızca onaylanmış veri kümelerinin (ve bunların onaylanmış alt kümelerinin) eğitim işlem hatlarına girmesi için verileri Amazon Macie ve AWS Glue Data Catalog ile sınıflandırın. Hassas nitelikler için, depolama veya indekslemeden önce Comprehend PII tespiti ve redaksiyonu veya tokenizasyonu uygulayın; sonraki iş akışları için bağlantı kurulması gerektiğinde PII’yi geri döndürülebilir token’larla değiştirmeyi düşünün. S3 bucket policy’lerini zorunlu kılın, genel erişimi engelleyin ve hassas materyal içeren nesneler için SSE-KMS şifrelemesini şart koşun. Eğitim yapıtlarını (artefact) veya model kontrol noktalarını (checkpoint) kimin deşifre edebileceğini kontrol etmek için KMS anahtar policy’lerini ve anahtar rotasyonunu kullanın. Uygulamada sıkça düşülen tuzaklar arasında geniş kapsamlı SageMaker yürütme rolleri vermek, S3 prefix erişimini kısıtlamayı unutmak ve KMS anahtarlarını veya IAM kimlik bilgilerini rote etmemek yer alır. Karar kriterleri, verinin hassasiyetini, girdileri redakte etme veya sentezleme yeteneğini ve ham PII’ye doğrudan model erişiminin kesinlikle gerekli olup olmadığını tartmalıdır. Modelin kullanışlılığı için PII’nin korunması gerektiğinde, açık depolama yerine kontrollü denetim izlerine sahip izole edilmiş işlemeyi tercih edin.

Özel bağlantı, şifreleme ve anahtar yönetimi

Ağ izolasyonu ve kriptografik kontroller, üretim ortamındaki ML için temel unsurlardır. Verilerin asla genel internet üzerinden geçmemesi için SageMaker eğitim ve barındırma (hosting) ortamlarını, VPC endpoint’leri ve AWS PrivateLink kullanarak VPC’ler içinde dağıtın. S3, Secrets Manager ve Bedrock (desteklendiği yerlerde) için VPC interface endpoint’lerini yapılandırın ve trafiği onaylanmış principal’lara ve prefix’lere kısıtlamak için endpoint policy’leri uygulayın. Aktarım halindeki tüm verileri TLS ile, bekleme halindeki verileri ise SSE-KMS (S3) ve eğitim örnekleri (instance) için EBS şifrelemesi ile şifreleyin. Merkezi anahtar yönetimi için AWS KMS kullanın; felaket kurtarma ve bölgeler arası operasyonlar için çok Bölgeli (multi‑Region) anahtarları değerlendirin ve KMS anahtar policy’lerini kullanarak Decrypt izinlerini kısıtlayın. Yüksek düzeyde regülasyona tabi iş yükleri için, ana makine (host) belleğini ifşa etmeden kriptografik işlemleri ve model yapıtlarının (artifact) onaylanmasını (attestation) izole etmek amacıyla AWS Nitro Enclaves kullanın. Sıkça düşülen tuzaklar arasında, endpoint policy’leri kullanırken S3 genel erişimini engellemeyi unutmak, EC2 metadata’sını aşırı izinli bırakmak veya müşteri KMS anahtarlarını açık erişim kontrolleri olmadan kullanmak yer alır. AWS tarafında deşifrelemeyi engellemeniz gerekiyorsa istemci tarafı şifrelemeyi (client-side encryption) seçin ve AWS servisleriyle entegrasyonun yanı sıra ayrıntılı erişim denetlenebilirliğine ihtiyaç duyduğunuzda SSE-KMS’i tercih edin.

Loglama, denetim, yönetişim ve açıklanabilirlik

Uçtan uca gözlemlenebilirliği sürdürün: SageMaker, Bedrock, KMS ve S3 genelinde API seviyesinde denetim için CloudTrail’i etkinleştirin; logları CloudWatch’a ve saklama (retention) ile uyumluluk (compliance) için merkezi, değiştirilemez bir arşive aktarın. Kaynak yapılandırmalarını kaydetmek ve sapmayı (drift) tespit etmek için AWS Config kullanın. ML’e özgü köken (lineage) ve yönetişim (governance) için, model üst verilerini (metadata), sürümlemeyi, kaynağı (provenance) ve dağıtım geçmişini yakalamak amacıyla SageMaker Model Registry ve SageMaker Experiments kullanın; kavram sapmasını (concept drift), veri çarpıklığını (data skew) ve tahmin kalitesindeki düşüşü tespit etmek için SageMaker Model Monitor’ü entegre edin. Yanlılık (bias) tespiti ve açıklanabilirlik (explainability) için, veri kümesi yanlılık metrikleri için SageMaker Clarify, özellik atfı (feature attribution) için SHAP veya entegre gradyanlar ile işlem hatlarını donatın ve eğitim verilerini, değerlendirme metriklerini ve bilinen sınırlılıkları belgeleyen model kartları (model cards) oluşturun. Uygulamada sıkça düşülen tuzaklar arasında PII’yi CloudWatch’a düz metin (plaintext) olarak loglamak, model sürümleriyle çıkarım metrikleri arasında korelasyon kurmamak veya sapma (drift) üzerine otomatik uyarıların olmaması yer alır. Karar kriterleri, saklama sürelerini (retention windows) maliyete karşı dengelemeli ve açıklanabilirlik çıktılarının insan tarafından okunabilir olmasını ve denetlenebilirlik ile ilgili durumlarda klinisyen/düzenleyici incelemesi için model üst verileriyle (metadata) birlikte saklanmasını gerektirmelidir.

Gizliliği koruyan eğitim, RAG, embedding’ler ve Bedrock için güvenlik konuları

Modeller hassas külliyatlarla etkileşime girdiğinde veya kullanıcıya özel içerik sunduğunda, gizliliği koruyan teknikler uygulayın. Eğitim sırasında kullanılan diferansiyel gizlilik (DP) mekanizmaları, bireysel katkıyı sınırlayabilir; birleşik öğrenme (federated learning) kalıpları ise model güncellemelerini paylaşırken ham kayıtları şirket içinde (on-premises) tutabilir. Retrieval-Augmented Generation (RAG) için, ham PII’yi (Kişisel Tanımlayıcı Bilgi) vektör depolarına indekslemekten kaçının; PII redaksiyonu ile ön işleme yapın veya işaretçileri (pointer) saklayıp erişim sırasında anlık (on-the-fly) redaksiyon uygulayın. Embedding’ler hassas bilgileri sızdırabilir—vektör depolarını herhangi bir veritabanı gibi ele alın: Bekleme durumunda şifreleyin (S3/EBS), IAM ve VPC aracılığıyla erişimi kısıtlayın ve anahtarları token’laştırmayı veya sorgu zamanı filtreleri kullanmayı düşünün. Bedrock, zararlı girdileri/çıktıları tespit etmek ve engellemek için koruma mekanizmaları (guardrails) ve denetleme araçları sunar ve IAM ile VPC kontrolleriyle entegre olur; koruma mekanizmalarını derinlemesine savunma (defense-in-depth) katmanı olarak uygulayın ancak tek kontrol mekanizması olarak bunlara güvenmeyin. Yaygın tuzaklar arasında vektör veritabanını açık uç noktalar (endpoint) üzerinden kullanıma sunmak, RAG indekslerini yenilemeyerek güncelliğini yitirmiş veya yanlı çıktılara neden olmak ve prompt ayarlamanın (prompt tuning) halüsinasyonları ortadan kaldırdığını varsaymak yer alır. Bedrock üzerinde senkronize ince ayar (fine-tuning) ile çalışma zamanı prompt mühendisliği (runtime prompt engineering) arasında seçim yaparken gecikme (latency), veri yerleşimi (data residency) ve model yönetişimi (model governance) ihtiyaçlarınızı temel alın.

Uygulama Problemi: Kullanım Senaryosu

Senaryo: Bir yayın sağlayıcısı olan Horizon Media, asistan özellikleri için SageMaker tabanlı bir yapay zeka işlem hattı (pipeline) ve Amazon Bedrock kullanmaktadır. İzleyici günlükleri ve kişiselleştirme verileri, eu‑west‑1 bölgesindeki şifrelenmiş S3 bucket’larında tutulmakta ve günlük içerik üst verileri RAG için bir OpenSearch vektör deposuna indekslenmektedir.

Zorluk: Şirketin, PII’nin embedding’lere sızmasını önlerken, verilerin belirli bir bölgeyle sınırlı işlenmesini sağlarken ve denetlenebilir model kökeni (lineage) ile sapma (drift) uyarıları sunarken kişiselleştirilmiş öneriler ve Bedrock destekli bir sohbet asistanı sunması gerekmektedir.

Önerilen Yaklaşım:

AWS PrivateLink ve VPC arayüz uç noktalarını (interface endpoints) kullanarak SageMaker eğitimini ve Bedrock erişimini bir VPC içinde yapılandırın; bucket öneklerini (prefix) kısıtlamak için S3 uç nokta politikalarını (endpoint policies) uygulayın.
Embedding işleminden önce PII’yi tespit etmek ve redakte etmek için Amazon Macie ve Comprehend PII kullanın; vektör deposunda yalnızca redakte edilmiş metni veya geri döndürülebilir token’ları SSE-KMS ile şifrelenmiş olarak saklayın.
Modelleri ve yapıtları (artifact) SageMaker Model Registry’ye kaydedin ve deneyleri SageMaker Experiments ile takip edin; veri ve tahmin sapması (drift) için Model Monitor’ü ve denetim günlükleri (audit logs) için CloudTrail/CloudWatch’ı etkinleştirin.
İçerik denetimi için Bedrock koruma mekanizmalarını (guardrails) uygulayın, bölge yerleşimi (region residency) için IAM ve KMS anahtar politikalarını zorunlu kılın ve çok hassas örnekler üzerinde eğitim için diferansiyel gizlilik veya sentetik veri kullanmayı düşünün.

Gerekçe: Ağ izolasyonu, merkezi anahtar kontrolü, embedding öncesi PII redaksiyonu ve kapsamlı köken takibi ile izleme, sızıntıyı en aza indirmek, veri yerleşimi gereksinimlerini karşılamak ve üretimdeki ML sistemlerinde denetlenebilir yönetişimi sürdürmek için en iyi sektör uygulamalarıyla uyumludur.

← Sorumlu AI ve Yönetişim · Tüm alanlar · ML Veri Mühendisliği →

Bu soruları çözün → · ExamRoll.io’da süreli pratik →