Metade da qualidade e da segurança de um sistema RAG é decidida antes que os dados cheguem ao modelo. As habilidades 1.3 e 3.2 do AIP-C01 avaliam essa preparação, e serviços como Textract, Transcribe, Comprehend, Macie e Guardrails são fáceis de confundir.
Extração por tipo de dado
Documentos digitalizados, PDFs e formulários: Amazon Textract (texto, tabelas, formulários, layout) Gravações de chamadas: Amazon Transcribe (separação de falantes, ocultação de PII) Conteúdo misto (documentos, imagens, áudio, vídeo): Amazon Bedrock Data Automation, que também pode ser o analisador das Knowledge Bases
A detecção de PII do Amazon Comprehend suporta apenas inglês e espanhol. Para textos em português, use expressões regulares ou um modelo do Bedrock.
Proteção de PII: Macie vs Comprehend vs Guardrails
| Serviço | O que analisa | Quando | |---------|---------------|--------| | Amazon Macie | Objetos armazenados no S3 | Descoberta automática e periódica | | Amazon Comprehend | Texto enviado à API | No processamento antes de indexar ou treinar | | Bedrock Guardrails | Prompts e respostas do modelo | Em tempo de inferência (bloquear ou mascarar) |
Combine-os como defesa em profundidade. Atenção: o mascaramento do Guardrails não se aplica aos logs de invocação do modelo, que guardam a entrada original; use as políticas de proteção de dados do CloudWatch Logs.
!Dos dados brutos a uma base de conhecimento segura
Qualidade e controle de acesso
O AWS Glue Data Quality funciona como portão antes da indexação. O Lake Formation aplica permissões por coluna e linha, e as regras de ciclo de vida do S3 controlam a retenção.
Pontos-chave para o exame
"Extrair texto e estrutura de documentos digitalizados" -- Amazon Textract "Transcrever chamadas e separar falantes" -- Amazon Transcribe "Estruturar documentos, imagens, áudio e vídeo com uma única API" -- Bedrock Data Automation "Remover PII antes de indexar ou treinar" -- Amazon Comprehend "Encontrar dados sensíveis em buckets do S3" -- Amazon Macie "Mascarar PII em conversas em tempo real" -- Bedrock Guardrails "PII que fica nos logs de invocação" -- Proteção de dados do CloudWatch Logs "Portão de qualidade antes da indexação" -- AWS Glue Data Quality