什么是生成式 AI 数据安全？

生成式 AI 数据安全，是指在企业使用大模型进行推理、检索与生成的过程中，对输入数据、上下文数据与输出内容进行保护，确保其机密性、完整性与合规性的一系列措施。

它涵盖数据的传输与存储加密、访问控制、数据隔离、审计日志，以及对敏感信息的处理策略等多个方面。目标是让企业在充分利用大模型能力的同时，将数据相关的风险控制在可管理的范围内。

随着生成式 AI 深入企业核心业务，数据安全已成为企业能否放心地将大模型投入生产的关键前提之一。

保护企业核心资产

企业在使用大模型时，往往会涉及内部知识、客户信息等核心数据资产。有效的数据安全措施是防止这些资产泄露或被滥用的基础。

满足合规要求

不同行业与地区对数据处理有着严格的合规要求。数据安全措施有助于企业在使用生成式 AI 时满足相应的法规与审计要求；若涉及将境内收集/产生的个人信息或重要数据传输、存储至境外，企业还需遵循跨境数据传输的相关合规要求。

建立业务信任

无论是对内部还是对客户，稳健的数据安全都是建立信任、支撑业务长期发展的前提。

数据隔离

确保企业提交的数据与模型训练过程相隔离，明确数据的使用边界。选择提供数据隔离保障的企业级服务尤为重要。

加密保护

对传输中和存储中的数据进行加密，并结合完善的密钥管理策略，降低数据在各环节被窃取的风险。

访问控制

基于身份与权限管理数据访问，遵循最小权限原则，确保只有授权者才能访问相应数据。

审计与合规

记录模型调用与数据访问日志，支撑合规审计，并对齐所在行业与地区的合规框架。

企业内部知识问答

在基于内部知识库的问答应用中，确保内部数据仅在授权范围内被检索和使用。

敏感数据处理

对涉及个人信息或商业机密的场景，施加脱敏、加密与严格的访问控制。

多团队协作

通过权限隔离，保障不同团队之间的数据边界，避免越权访问。

合规审计

记录数据的使用与流转，满足内外部审计与合规检查的要求。

这是企业在采用生成式 AI 时最关心的问题之一，答案取决于所使用服务的条款与架构。

以 Amazon Bedrock 为例，根据其官方说明，客户提交的提示与数据不用于训练底层基础模型。企业在使用时应结合 AWS 的共享责任模型，参考官方文档确认相关数据处理条款。这意味着企业可以在保有数据控制权的前提下使用大模型能力。

在采用任何生成式 AI 服务之前，建议企业仔细确认其数据使用条款，明确数据是否会被用于训练、是否隔离、如何存储与删除，从而做出符合自身合规要求的选择。

数据流转链路复杂

生成式 AI 应用往往涉及检索、调用、生成等多个环节，数据在链路中的每一处都可能成为风险点，需要端到端的防护设计。

敏感信息识别难度

在大量非结构化数据中准确识别并保护敏感信息，本身具有一定难度，需要结合专门的工具与流程。

安全与效率的平衡

过于严格的安全策略可能影响应用的可用性与效率，如何在两者之间取得平衡是持续的课题。

AWS 提供覆盖数据隔离、加密、访问控制与审计的多层能力，帮助企业在使用大模型时保护数据安全与合规。

Amazon Bedrock

根据 Amazon Bedrock 官方说明，客户数据不用于训练底层基础模型；结合 AWS 共享责任模型，Bedrock 可帮助客户实现其数据安全与合规目标。

Amazon Q Business

面向企业知识库的安全问答助手，支持基于权限的访问控制，确保内部数据仅在授权范围内被检索与使用。

AWS Key Management Service (KMS)

集中管理加密密钥，为数据的传输与存储加密提供支撑，是构建数据安全体系的重要基础。

现在就开始，在保护数据安全的前提下使用生成式 AI—— 探索 Amazon Bedrock

生成式 AI 数据安全，是指在企业使用大模型进行推理、检索与生成的过程中，对输入数据、上下文数据与输出内容进行保护，确保其机密性、完整性与合规性的一系列措施。

它涵盖数据的传输与存储加密、访问控制、数据隔离、审计日志，以及对敏感信息的处理策略等多个方面。目标是让企业在充分利用大模型能力的同时，将数据相关的风险控制在可管理的范围内。

随着生成式 AI 深入企业核心业务，数据安全已成为企业能否放心地将大模型投入生产的关键前提之一。

保护企业核心资产

企业在使用大模型时，往往会涉及内部知识、客户信息等核心数据资产。有效的数据安全措施是防止这些资产泄露或被滥用的基础。

满足合规要求

不同行业与地区对数据处理有着严格的合规要求。数据安全措施有助于企业在使用生成式 AI 时满足相应的法规与审计要求；若涉及将境内收集/产生的个人信息或重要数据传输、存储至境外，企业还需遵循跨境数据传输的相关合规要求。

建立业务信任

无论是对内部还是对客户，稳健的数据安全都是建立信任、支撑业务长期发展的前提。

数据隔离

确保企业提交的数据与模型训练过程相隔离，明确数据的使用边界。选择提供数据隔离保障的企业级服务尤为重要。

加密保护

对传输中和存储中的数据进行加密，并结合完善的密钥管理策略，降低数据在各环节被窃取的风险。

访问控制

基于身份与权限管理数据访问，遵循最小权限原则，确保只有授权者才能访问相应数据。

审计与合规

记录模型调用与数据访问日志，支撑合规审计，并对齐所在行业与地区的合规框架。

企业内部知识问答

在基于内部知识库的问答应用中，确保内部数据仅在授权范围内被检索和使用。

敏感数据处理

对涉及个人信息或商业机密的场景，施加脱敏、加密与严格的访问控制。

多团队协作

通过权限隔离，保障不同团队之间的数据边界，避免越权访问。

合规审计

记录数据的使用与流转，满足内外部审计与合规检查的要求。

这是企业在采用生成式 AI 时最关心的问题之一，答案取决于所使用服务的条款与架构。

以 Amazon Bedrock 为例，根据其官方说明，客户提交的提示与数据不用于训练底层基础模型。企业在使用时应结合 AWS 的共享责任模型，参考官方文档确认相关数据处理条款。这意味着企业可以在保有数据控制权的前提下使用大模型能力。

在采用任何生成式 AI 服务之前，建议企业仔细确认其数据使用条款，明确数据是否会被用于训练、是否隔离、如何存储与删除，从而做出符合自身合规要求的选择。

数据流转链路复杂

生成式 AI 应用往往涉及检索、调用、生成等多个环节，数据在链路中的每一处都可能成为风险点，需要端到端的防护设计。

敏感信息识别难度

在大量非结构化数据中准确识别并保护敏感信息，本身具有一定难度，需要结合专门的工具与流程。

安全与效率的平衡

过于严格的安全策略可能影响应用的可用性与效率，如何在两者之间取得平衡是持续的课题。

AWS 提供覆盖数据隔离、加密、访问控制与审计的多层能力，帮助企业在使用大模型时保护数据安全与合规。

Amazon Bedrock

根据 Amazon Bedrock 官方说明，客户数据不用于训练底层基础模型；结合 AWS 共享责任模型，Bedrock 可帮助客户实现其数据安全与合规目标。

Amazon Q Business

面向企业知识库的安全问答助手，支持基于权限的访问控制，确保内部数据仅在授权范围内被检索与使用。

AWS Key Management Service (KMS)

集中管理加密密钥，为数据的传输与存储加密提供支撑，是构建数据安全体系的重要基础。

现在就开始，在保护数据安全的前提下使用生成式 AI—— 探索 Amazon Bedrock