Cinco servicios cubren la mayoría de las preguntas de gobernanza de IA en el AIF-C01: quién puede acceder, cómo se cifran los datos, quién hizo qué, qué datos sensibles existen, y qué amenazas se detectan sobre la infraestructura que soporta los modelos.
Contenido
| Servicio | Función principal | Rol en contexto de IA |
|---|---|---|
| AWS IAM | Control de acceso e identidad | Quién puede invocar modelos, crear endpoints o acceder a datasets de entrenamiento. |
| AWS KMS | Gestión de claves de cifrado | Cifra datos de entrenamiento, artefactos de modelo y datos en tránsito hacia el modelo. |
| AWS CloudTrail | Auditoría de llamadas a API | Registra quién invocó qué modelo, cuándo y con qué resultado. |
| Amazon Macie | Descubrimiento y clasificación de PII | Encuentra datos sensibles en S3 antes de usarlos para entrenar o dar contexto a un modelo. |
| Amazon GuardDuty | Detección de amenazas con ML | Protege la infraestructura (cuentas, red) que soporta las cargas de trabajo de ML. |
| AWS Config | Auditoría continua de configuración | Evalúa si los recursos que soportan tus cargas de IA (buckets, roles, endpoints) cumplen reglas de configuración. |
| Amazon Inspector | Escaneo automático de vulnerabilidades | Detecta vulnerabilidades de software y de red en la infraestructura que despliega tus cargas de ML. |
| AWS Audit Manager | Automatización de evidencia de auditoría | Recolecta evidencia continua para demostrar cumplimiento normativo sobre tus servicios de IA. |
| AWS Artifact | Portal de reportes de cumplimiento | Acceso a los reportes de auditoría y acuerdos de AWS (necesarios para demostrar compliance ante terceros). |
| AWS Trusted Advisor | Recomendaciones automatizadas | Incluye chequeos de seguridad (por ejemplo, permisos demasiado abiertos) relevantes para entornos de IA. |
Controla el acceso a los servicios de IA a nivel de identidad y permiso
En un contexto de IA, IAM decide quién puede invocar un modelo en Bedrock, quién puede crear o borrar un endpoint de SageMaker, y quién puede leer los datos de entrenamiento almacenados en S3.
Casos de uso típicos
Principio clave
Un rol usado por una app de chat tiene permisos excesivos sobre Bedrock. Encuentra y corrige el statement responsable — sin pasos guiados.
+1 más...
Gestiona las claves que cifran datos de entrenamiento y modelos
KMS cifra los datasets de entrenamiento almacenados en S3, los artefactos del modelo (pesos entrenados) y los datos en tránsito hacia y desde un endpoint de inferencia — igual que cifra cualquier otro dato en AWS.
Registra cada invocación a Bedrock, SageMaker y otros servicios de IA
CloudTrail responde "¿quién invocó qué modelo, cuándo y con qué resultado?" — esencial para auditorías de compliance y para investigar un incidente (por ejemplo, un uso indebido de un modelo).
Activa un trail de CloudTrail para auditar quién invoca qué modelos de Bedrock y SageMaker, y desde dónde.
+1 más...
Clasifica automáticamente datos sensibles en S3 con machine learning
Antes de usar un dataset para entrenar o de conectarlo como fuente de contexto para RAG, Macie puede escanear el bucket de S3 y alertar si contiene datos personales (nombres, tarjetas de crédito, identificaciones) que deberían anonimizarse primero.
Para el examen: si el escenario menciona "verificar datos sensibles antes de entrenar un modelo" o "PII en S3", la respuesta es Macie — no Comprehend (que analiza texto para sentimiento/entidades en general) ni GuardDuty (que detecta amenazas, no clasifica contenido).
Detección de amenazas para las cuentas y la red que soportan tus cargas de IA
GuardDuty no analiza modelos ni prompts — monitorea comportamiento anómalo en la cuenta AWS donde corren tus cargas de trabajo de ML: acceso desde IPs maliciosas, actividad de criptominería en instancias que deberían estar entrenando modelos, o llamadas API inusuales contra tus recursos de SageMaker. Su rol es proteger la infraestructura alrededor del pipeline de ML, complementando a IAM, KMS y CloudTrail.
Cinco servicios adicionales que la guía oficial nombra explícitamente para gobernanza y cumplimiento de cargas de trabajo de IA — cada uno cubre una parte distinta del ciclo de auditoría.
AWS Config
Evalúa y audita continuamente la configuración de tus recursos AWS frente a reglas de cumplimiento — por ejemplo, "¿todos los buckets con datasets de entrenamiento tienen cifrado activado?". Registra también el historial de cambios de configuración.
Amazon Inspector
Escanea automáticamente cargas de trabajo (instancias EC2, imágenes de contenedor, funciones Lambda) en busca de vulnerabilidades de software y exposición de red no intencionada — relevante para la infraestructura que despliega endpoints de inferencia.
AWS Audit Manager
Automatiza la recolección continua de evidencia (configuraciones, logs, políticas) para simplificar auditorías de cumplimiento frente a marcos como ISO 27001, PCI DSS o marcos internos.
AWS Artifact
Portal de autoservicio para acceder a los reportes de cumplimiento de AWS (SOC, ISO, PCI DSS) y a acuerdos como el BAA (HIPAA) — la fuente para demostrar a un auditor externo qué certifica AWS.
AWS Trusted Advisor
Ofrece recomendaciones automatizadas en varias categorías, incluida seguridad — por ejemplo, roles IAM con permisos excesivos o buckets con acceso demasiado abierto — chequeos que aplican igual de bien a recursos que soportan cargas de trabajo de IA.
Cómo distinguirlos en el examen
Config audita "configuración de recursos". Inspector busca "vulnerabilidades". Audit Manager recolecta "evidencia para auditorías". Artifact entrega "reportes y acuerdos de cumplimiento de AWS ya existentes". Trusted Advisor da "recomendaciones generales" (no solo seguridad). Si el escenario menciona un término de estos cuatro casi textualmente, esa es la pista hacia el servicio correcto.
Crea una evaluación de cumplimiento sobre un marco de gobernanza de IA generativa y recopila evidencia automáticamente.
+1 más...
Framework de AWS que ayuda a clasificar un caso de uso de GenAI en uno de 5 "scopes" (categorías) según cuánto control tienes sobre el modelo — desde consumir una aplicación de terceros hasta entrenar tu propio modelo desde cero. El scope determina qué controles de seguridad y gobernanza te corresponde aplicar a ti frente a los que ya cubre el proveedor.
Scope 1
Consumir una aplicación SaaS de terceros que usa GenAI internamente — control mínimo, casi toda la responsabilidad es del proveedor
Scope 2
Construir sobre una aplicación de terceros (ej: un plugin o integración) — algo más de control y de responsabilidad
Scope 3
Construir tu aplicación usando un foundation model pre-entrenado vía API (ej: Bedrock) — controlas prompts, datos y guardrails
Scope 4
Ajustar (fine-tune) un foundation model existente con tus propios datos — más control, más responsabilidad sobre esos datos
Scope 5
Entrenar tu propio modelo desde cero — control y responsabilidad máximos sobre todo el ciclo de vida del modelo
A mayor scope (más control sobre el modelo), mayor es también la responsabilidad de seguridad y gobernanza que recae sobre ti — el mismo principio que el modelo de responsabilidad compartida, aplicado específicamente a IA generativa.
Sin pasos guiados: lee un escenario y clasifícalo en el scope correcto de la Generative AI Security Scoping Matrix de AWS.
+1 más...
Antes de llevar un caso de uso de IA a producción, verifica estos cinco puntos.
Clasificar la sensibilidad de los datos
Usa Amazon Macie para descubrir si tus datos de entrenamiento o contexto contienen PII, y decide si necesitan anonimizarse.
Definir quién puede acceder
Configura roles IAM de mínimo privilegio: quién puede invocar el modelo, quién puede desplegar cambios, quién puede leer los datos.
Configurar Guardrails
Define filtros de contenido dañino, temas prohibidos y enmascaramiento de PII en las respuestas del modelo, apropiados para tu caso de uso.
Habilitar auditoría
Activa CloudTrail para registrar todas las invocaciones a servicios de IA, y considera GuardDuty para monitorear la infraestructura subyacente.
Documentar el modelo con Model Cards
Registra el propósito, los datos de entrenamiento, las limitaciones conocidas y las métricas por subgrupo antes de exponer el modelo a usuarios reales.
Definir data residency
Decide en qué región o país se almacenan y procesan los datos de entrenamiento y de inferencia — junto con las políticas de ciclo de vida, logging, monitoreo y retención, es una pieza central de la gobernanza de datos, especialmente si operas bajo regulaciones que exigen que los datos no salgan de una jurisdicción concreta.
¿Entendiste este tema?
Pon a prueba lo que acabas de aprender
Antes de conectar un bucket de S3 como fuente de una Knowledge Base de RAG en Bedrock, el equipo de seguridad quiere confirmar que el bucket no contiene números de identificación personal ni tarjetas de crédito. ¿Qué servicio de AWS es el más adecuado para esta verificación?
Inicia sesión para llevar tu progreso.