DifícilOpción múltiple

Pregunta de práctica de Generative AI Leader

Un banco global quiere desplegar un asistente de IA generativa para empleados en varios países europeos, cada uno con leyes estrictas de residencia de datos. ¿Qué estrategia de despliegue cumple mejor con la normativa?

Elige la mejor respuesta.

Respuesta correcta

  • ADesplegar instancias de modelos separadas en la región de nube de cada país.

Explicación

Desplegar instancias de modelos separadas en la región de nube de cada país garantiza que los datos nunca crucen las fronteras nacionales, cumpliendo directamente con las estrictas leyes de residencia de datos como los requisitos de localización de datos del GDPR. Esta estrategia utiliza infraestructura de nube regional (p. ej., AWS eu-central-1, Azure westeurope) para mantener tanto los datos de entrenamiento como los de inferencia dentro de la jurisdicción específica, evitando cualquier transferencia de datos transfronteriza.

Por qué cada opción es correcta o incorrecta

A

Correcta

Desplegar instancias de modelos separadas en la región de nube de cada país.

Garantiza que los datos nunca salgan del país, cumpliendo con los requisitos locales de cumplimiento.

B

Incorrecta

Utilizar un enfoque de aprendizaje federado donde los datos permanecen en las instalaciones.

El aprendizaje federado es para el entrenamiento, no para la inferencia en tiempo real; la inferencia aún requeriría que los datos salgan.

C

Incorrecta

Desplegar un único modelo en una región de EE. UU. y utilizar enmascaramiento de datos.

El enmascaramiento de datos puede no satisfacer las estrictas leyes de residencia; los datos aún salen de la región.

D

Incorrecta

Utilizar una API de terceros que procese datos fuera de Europa.

Esto probablemente viola las leyes de residencia de datos al exportar datos.

Para profundizar

Bajo el capó, esta estrategia aprovecha las características de aislamiento regional del proveedor de nube, como AWS Local Zones o Azure Availability Zones, que garantizan que los datos nunca abandonen el límite geográfico designado. Para la inferencia, el modelo puede ser contenedorizado (p. ej., utilizando Docker con NVIDIA Triton Inference Server) y desplegado a través de Kubernetes en múltiples regiones, con cada instancia configurada para almacenar registros y cachés localmente. Un escenario del mundo real es un banco que despliega un asistente basado en Llama 2 en Alemania utilizando AWS Frankfurt, donde los pesos del modelo se almacenan en S3 con políticas de bucket que exigen exclusivamente eu-central-1, y todas las solicitudes de inferencia se enrutan a través de CloudFront con restricciones geográficas.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de Generative AI Leader de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.