La mitad de la calidad y la seguridad de un sistema RAG se decide antes de que los datos lleguen al modelo. Las habilidades 1.3 y 3.2 de AIP-C01 evalúan esta preparación, y servicios como Textract, Transcribe, Comprehend, Macie y Guardrails se confunden con facilidad.
Extracción según el tipo de datos
Documentos escaneados, PDF y formularios: Amazon Textract (texto, tablas, formularios, diseño) Grabaciones de llamadas: Amazon Transcribe (separación de hablantes, ocultación de PII) Contenido mixto (documentos, imágenes, audio, video): Amazon Bedrock Data Automation, que también puede ser el analizador de Knowledge Bases
La detección de PII de Amazon Comprehend admite inglés y español; para otros idiomas, use expresiones regulares o un modelo de Bedrock.
Protección de PII: Macie vs Comprehend vs Guardrails
| Servicio | Qué revisa | Cuándo | |----------|------------|--------| | Amazon Macie | Objetos almacenados en S3 | Detección automática y periódica | | Amazon Comprehend | Texto enviado a la API | Al procesar datos antes de indexar o entrenar | | Bedrock Guardrails | Prompts y respuestas del modelo | En tiempo de inferencia (bloquear o enmascarar) |
Combínelos como defensa en profundidad. Ojo: el enmascaramiento de Guardrails no se aplica a los registros de invocación del modelo, que guardan la entrada original; use las políticas de protección de datos de CloudWatch Logs.
!De datos brutos a una base de conocimiento segura
Calidad y control de acceso
AWS Glue Data Quality funciona como compuerta antes de indexar. Lake Formation aplica permisos por columna y fila, y las reglas de ciclo de vida de S3 controlan la retención.
Puntos clave para el examen
"Extraer texto y estructura de documentos escaneados" -- Amazon Textract "Transcribir llamadas y separar hablantes" -- Amazon Transcribe "Estructurar documentos, imágenes, audio y video con una sola API" -- Bedrock Data Automation "Eliminar PII antes de indexar o entrenar" -- Amazon Comprehend "Encontrar datos sensibles en buckets de S3" -- Amazon Macie "Enmascarar PII en conversaciones en tiempo real" -- Bedrock Guardrails "PII que queda en los registros de invocación" -- Protección de datos de CloudWatch Logs "Compuerta de calidad antes de indexar" -- AWS Glue Data Quality