MLAMLソリューションの監視、メンテナンス、セキュリティ
製薬会社が複数の外部データソースから収集したデータをS3バケットに集約し、SageMakerでモデルトレーニングを行っています。コンプライアンス要件として「S3に保存されるトレーニングデータにPII（Personally Identifiable Information：氏名・社会保障番号・メールアドレスなどの個人識別情報）が混入した場合を自動検出し、セキュリティチームへアラートを通知すること」が義務付けられています。最も適切なアーキテクチャはどれですか？
AAWS Glue Data Qualityルールを設定し、PII関連のカラム名パターン（name、ssn等）をチェックしてS3への保存前にデータを検証する
AWS Glue Data Qualityルールはカラム名のパターンマッチングが中心で、実際のデータ内容（セル値）に埋め込まれたPIIは検出できず、コンプライアンス要件を満たしません。
BAmazon MacieをS3バケットで有効化し、機械学習ベースのPII自動検出スキャンをEventBridge・SNSと連携してセキュリティチームに通知する
✓ 正解
Amazon Macieは機械学習でS3内の氏名・社会保障番号・メールアドレス等のPIIを自動検出するマネージドサービスで、検出結果をEventBridge経由でSNSに連携しセキュリティチームへ自動通知できます。
CAmazon GuardDutyを有効化し、S3バケットへの異常なアクセスパターンを検出してCloudWatchアラームでセキュリティチームに通知する
Amazon GuardDutyはS3への不審なアクセスや脅威検出が目的で、データコンテンツを解析してPIIを検出する機能はないため要件を満たしません。
DSageMaker Processing Jobでカスタムスクリプトを実行し、正規表現パターンマッチングでPIIを検出してモデルトレーニング前にデータからフィルタリング除去する
SageMaker Processing Jobのカスタムスクリプトでも一部PIIは検出可能ですが、Macieの学習済みモデルに比べ検出精度・カバレッジが低く、実装・維持コストも高くなります。
解説
Amazon Macieは機械学習を用いてS3内のデータから氏名・社会保障番号・クレジットカード番号・メールアドレスなど多様なPIIを自動検出するAWSマネージドサービスです。EventBridgeとの統合により検出イベントをSNSなどに自動連携できます。
選択肢AのAWS Glue Data Quality ルールは、カラム名のパターンマッチングのみで、実際のデータ内容に埋め込まれたPIIは検出できません。
選択肢CのAmazon GuardDutyはS3への不審なアクセスパターン検出（マルウェアスキャン・異常なIPからのアクセス等）が目的であり、データコンテンツのPII検出機能はありません。
選択肢DのSageMaker Processing Job でのカスタムスクリプトは、一部のPIIを検出できますが、Macieの機械学習モデルと比べて検出精度・カバレッジが低く、維持コストも高くなります。
ドメイン別正答率・予想スコアでリアルタイムに実力把握
無限ノックでMLAを徹底対策。全問AI生成のオリジナル問題。
無料で演習を始める →