Fase 6 · Safety, Security & Governance

Amazon Comprehend — deteksi PII

Comprehend menemukan entitas PII dalam teks beserta posisinya. Ia jadi lapisan pra-pemrosesan yang berdiri sendiri, di luar Bedrock.

Sumber asli docs.aws.amazon.com Resmi Rangkuman ~5 menit baca

Intisari

Dua operasi: DetectPiiEntities (posisi dan jenis) dan ContainsPiiEntities (ada atau tidak).
Mengembalikan offset karakter, sehingga kamu bisa menyensor tepat di tempatnya.
Berdiri di luar Bedrock — bisa dipakai untuk log, tiket, dan berkas, bukan cuma prompt.
Setiap temuan punya skor keyakinan; kamu yang menentukan ambangnya.
Berlapis dengan Guardrails, bukan menggantikannya — defense in depth yang disebut Domain 3.

Kenapa perlu, padahal Guardrails sudah punya filter PII

	Guardrails	Comprehend
Cakupan	Prompt dan respons Bedrock	Teks apa pun, di mana pun
Ditempatkan	Menempel pada pemanggilan model	Di mana saja dalam pipeline
Keluaran	Blok atau samarkan	Daftar entitas + posisi + skor
Cocok untuk	Pertahanan saat inferensi	Pembersihan sebelum ingest, pembersihan log, klasifikasi dokumen

Contoh nyata: sebelum dokumen masuk knowledge base, kamu ingin tahu dokumen mana yang mengandung PII agar bisa diberi tag kerahasiaan. Guardrails tidak bisa melakukan itu — ia baru bekerja saat inferensi.

Mendeteksi

import boto3

comprehend = boto3.client("comprehend")

teks = "Hubungi Budi Santoso di [email protected] atau 0812-3456-7890."

resp = comprehend.detect_pii_entities(Text=teks, LanguageCode="en")
for e in resp["Entities"]:
    print(f"{e['Type']:12} skor={e['Score']:.2f}  '{teks[e['BeginOffset']:e['EndOffset']]}'")

NAME         skor=0.99  'Budi Santoso'
EMAIL        skor=1.00  '[email protected]'
PHONE        skor=0.98  '0812-3456-7890'

Menyensor dengan benar

def sensor(teks: str, ambang: float = 0.8) -> str:
    entitas = comprehend.detect_pii_entities(Text=teks, LanguageCode="en")["Entities"]

    # WAJIB dari belakang ke depan: mengganti dari depan menggeser semua offset berikutnya
    for e in sorted(entitas, key=lambda x: x["BeginOffset"], reverse=True):
        if e["Score"] < ambang:
            continue
        teks = teks[:e["BeginOffset"]] + f"[{e['Type']}]" + teks[e["EndOffset"]:]

    return teks


print(sensor(teks))
# Hubungi [NAME] di [EMAIL] atau [PHONE].

Urutan penggantian adalah bug klasik di sini. Kalau kamu mengganti dari entitas pertama ke terakhir, setiap penggantian menggeser offset entitas berikutnya, dan hasil sensornya memotong di tempat yang salah — kadang malah membiarkan sebagian PII terlihat. Selalu proses mundur.

Pemeriksaan murah lebih dulu

# Lebih murah kalau kamu cuma butuh tahu "ada PII atau tidak"
ada = comprehend.contains_pii_entities(Text=teks, LanguageCode="en")
label = {l["Name"] for l in ada["Labels"] if l["Score"] > 0.8}

if label:
    dokumen_tag["kerahasiaan"] = "berisi-pii"

Di mana menempatkannya

Titik	Tujuan
Sebelum ingest ke knowledge base	Menandai atau membersihkan dokumen ber-PII
Sebelum prompt dikirim	Mencegah data pribadi keluar dari sistemmu
Sebelum menulis log	Supaya CloudWatch Logs tidak jadi gudang PII
Sebelum menyimpan riwayat percakapan	Retensi jadi jauh lebih mudah dipertanggungjawabkan

Baris ketiga sering terlewat. Aplikasi yang mencatat seluruh prompt dan respons untuk keperluan debugging sedang membangun basis data PII tanpa sadar — lengkap dengan retensi yang tidak pernah ditetapkan. Sensor dulu, baru catat.

Latihan: tambahkan fungsi sensor() ke jalur logging aplikasimu, lalu kirim satu pertanyaan berisi nama dan nomor telepon. Periksa CloudWatch Logs dan pastikan yang tercatat sudah tersensor, sementara jawaban ke pengguna tetap utuh.

Rangkuman ini sengaja dipangkas ke bagian yang dipakai di roadmap. Buka sumber aslinya saat kamu butuh detail lengkap atau referensi parameter.