4.1標準
顧客データを要約・検索・ログへ利用する。
処理経路ごとの漏えいを確認する。
脅威分析として適切なものを2つ選べ。
× 不正解
プライバシー脅威分析は収集から削除までデータフローを図示し、再識別・記憶・共有・誤送信・保持超過を評価する。
詳細解説
正しい収集、転送、推論、検索、ログ、キャッシュ、出力、削除の境界を図示する
データの流れと露出点を確認できる。
データの流れと露出点を確認できる。
問題の要件では、収集、転送、推論、検索、ログ、キャッシュ、出力、削除の境界を図示するが解決する範囲と、別の工程が担う範囲を分けて判断する。
正しい再識別、記憶、過剰共有、誤送信、保持超過をリスクとして評価する
AI固有のプライバシーリスクを洗い出せる。
AI固有のプライバシーリスクを洗い出せる。
問題の要件では、再識別、記憶、過剰共有、誤送信、保持超過をリスクとして評価するが解決する範囲と、別の工程が担う範囲を分けて判断する。
誤り入力を匿名化したらログや出力の確認は不要である
処理の別段階で露出する可能性がある。
処理の別段階で露出する可能性がある。
問題の要件では、入力を匿名化したらログや出力の確認は不要であるが解決する範囲と、別の工程が担う範囲を分けて判断する。
誤り内部利用ならプライバシー脅威は存在しない
内部の誤操作や侵害もあり得る。
内部の誤操作や侵害もあり得る。
問題の要件では、内部利用ならプライバシー脅威は存在しないが解決する範囲と、別の工程が担う範囲を分けて判断する。
実際に確かめる
一時的な検証環境で実行できる例です。
AWS公式AIF-C01 Domain 4.1のプライバシー、データフロー、リスクを確認する。期待される結果
AIデータの全処理段階にあるプライバシー露出点を分析できる。理解のポイント
- 脅威モデル
- 再識別
- データフロー
確認時の注意
- 確認環境: AWS公式AIF-C01試験ガイドとAWS公式ドキュメントの確認
- AWS公式ドキュメントで、対象サービスが提供する機能と前提条件を確認する。
- モデル、データ、アプリケーション、利用者の責任分界を混同しない。
基礎のおさらい
プライバシー脅威モデル
個人情報の流れと露出・悪用の可能性を体系的に分析する方法。
再識別
匿名化されたデータを他情報と組み合わせ個人へ戻すこと。
問題IDAWS-AIF-382
確認環境AWS公式AIF-C01試験ガイドとAWS公式ドキュメントの確認
最終技術確認2026-08-20
誤り・権利侵害を報告