DifficileChoix unique

Question d'entraînement Generative AI Leader

Une banque mondiale souhaite déployer un assistant d'IA générative pour les employés dans plusieurs pays européens, chacun ayant des lois strictes sur la résidence des données. Quelle stratégie de déploiement est la plus conforme ?

Choisissez la meilleure réponse.

Bonne réponse

  • ADéployer des instances de modèles distinctes dans la région cloud de chaque pays.

Explication

Le déploiement d'instances de modèles distinctes dans la région cloud de chaque pays garantit que les données ne traversent jamais les frontières nationales, ce qui respecte directement les lois strictes sur la résidence des données telles que les exigences de localisation des données du GDPR. Cette stratégie utilise une infrastructure cloud régionale (par ex., AWS eu-central-1, Azure westeurope) pour conserver à la fois les données d'entraînement et d'inférence au sein de la juridiction spécifique, évitant ainsi tout transfert transfrontalier de données.

Pourquoi chaque option est juste ou fausse

A

Juste

Déployer des instances de modèles distinctes dans la région cloud de chaque pays.

Garantit que les données ne quittent jamais le pays, répondant aux exigences de conformité locales.

B

Fausse

Utiliser une approche d'apprentissage fédéré où les données restent sur site.

L'apprentissage fédéré sert à l'entraînement, pas à l'inférence en temps réel ; l'inférence nécessiterait toujours que les données sortent.

C

Fausse

Déployer un modèle unique dans une région américaine et utiliser le masquage des données.

Le masquage des données peut ne pas satisfaire aux lois strictes sur la résidence ; les données quittent toujours la région.

D

Fausse

Utiliser une API tierce qui traite les données en dehors de l'Europe.

Cela viole probablement les lois sur la résidence des données en exportant des données.

Pour aller plus loin

Sous le capot, cette stratégie exploite les fonctionnalités d'isolement régional du fournisseur de cloud, telles que AWS Local Zones ou Azure Availability Zones, qui garantissent que les données ne quittent jamais la limite géographique désignée. Pour l'inférence, le modèle peut être conteneurisé (par ex., en utilisant Docker avec NVIDIA Triton Inference Server) et déployé via Kubernetes sur plusieurs régions, chaque instance étant configurée pour stocker les journaux et les caches localement. Un scénario réel est une banque déployant un assistant basé sur Llama 2 en Allemagne en utilisant AWS Frankfurt, où les poids du modèle sont stockés dans S3 avec des politiques de compartiment imposant uniquement eu-central-1, et toutes les requêtes d'inférence sont acheminées via CloudFront avec des restrictions géographiques.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement Generative AI Leader originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.