某銀行正在 Amazon Bedrock 上微調一個大型語言模型 (LLM)，以回答客戶的貸款問題。為了確保模型不會洩露客戶的私人資訊，該銀行應該採取哪項措施？

在微調大型語言模型 (LLM) 之前，從客戶資料中移除個人身份資訊 (PII) 是最直接且有效的措施，可以防止模型在訓練過程中學習並潛在洩露這些敏感資訊。這是一種源頭控制，確保模型在訓練時根本無法接觸到 PII。 使用 Amazon Bedrock Guardrails：Guardrails 主要用於在模型推論階段過濾不當內容或敏感資訊，而不是在訓練階段防止模型學習 PII。 增加 LLM 的 Top-K 參數：Top-K 參數影響模型生成回應的多樣性，與防止 PII 洩露無關。 將客戶資料儲存在 Amazon S3 中。在微調 LLM 之前加密資料：加密資料可以保護靜態儲存中的資料安全，但當資料用於模型訓練時，必須先解密。解密後的資料若包含 PII，仍有洩露風險。因此，移除 PII 比單純加密更根本。