c2.5 Descubre datos sensibles en los sets de entrenamiento con Macie

Encuentra datos sensibles antes de que el modelo los memorice

Un modelo afinado puede memorizar y luego reproducir fragmentos de sus datos de entrenamiento. Si esos datos contienen PII, secretos o contenido regulado, el modelo se convierte en una vía de fuga. Amazon Macie usa ML administrado y coincidencia de patrones para descubrir datos sensibles en S3, de modo que puedas detectarlos y eliminarlos de un conjunto de entrenamiento antes de la personalización, no después de que el modelo ya los haya aprendido.

Escanea el bucket de entrenamiento antes de un trabajo

Ejecuta un trabajo único de descubrimiento de datos sensibles contra el bucket que contiene tus datos de entrenamiento:

aws macie2 create-classification-job \
  --name "scan-training-data-pre-finetune" \
  --job-type ONE_TIME \
  --s3-job-definition '{
    "bucketDefinitions": [
      {
        "accountId": "111122223333",
        "buckets": ["my-bedrock-training-data"]
      }
    ]
  }'

Macie reporta hallazgos por tipo de dato sensible (nombres, correos, credenciales, identificadores financieros y de salud, e identificadores de datos personalizados que definas con regex). Revisa los hallazgos y depura o tokeniza los registros marcados antes de lanzar el trabajo de personalización.

Conviértelo en una compuerta, no en algo puntual

• Conecta los hallazgos de Macie a EventBridge → SNS/Lambda para que un hallazgo de alta severidad en un bucket de entrenamiento bloquee o marque el pipeline automáticamente.
• Para pipelines continuos, usa el descubrimiento automático de datos sensibles (muestreo continuo) en lugar de reejecutar trabajos completos, que es mucho más económico a escala.
• Añade identificadores de datos personalizados para secretos específicos de la organización (formatos de ID internos, nombres clave de proyectos) que los tipos integrados no detectan.

Combínalo con el guardrail

Macie protege los datos que entran al modelo; el filtro de información sensible del guardrail de Bedrock (consulta el control de guardrails) protege los datos que salen en la inferencia. Usa ambos: depura el corpus de entrenamiento con Macie y redacta PII en runtime con el guardrail.

Nota de nomenclatura: reemplaza el id de cuenta y el nombre del bucket. Empieza con un trabajo ONE_TIME para medir el volumen de hallazgos y el costo antes de programar escaneos recurrentes.