ব্যবহারিক নির্দেশিকা

ভারতে GPT‑5.6 চালালেই data দেশে থাকে না—model ID-তেই সিদ্ধান্ত

|লেখক: QUASA সম্পাদকীয় দল|5 মিনিটের পাঠ| 4
ভারতে GPT‑5.6 চালালেই data দেশে থাকে না—model ID-তেই সিদ্ধান্ত

Amazon Bedrock-এ GPT‑5.6 Terra বা Luna-র inference data ভারতে রাখতে শুধু Mumbai বা Hyderabad endpoint থেকে request পাঠানো যথেষ্ট নয়। runtime request-এ in.openai.gpt-5.6-terra অথবা in.openai.gpt-5.6-luna model ID দিতে হবে; global. profile ব্যবহার করলে ভারতীয় endpoint দিয়ে ঢোকা request-ও দেশের বাইরের AWS Region-এ process হতে পারে।

এই ব্যবস্থায় processing boundary একটি Region নয়; Mumbai-এর ap-south-1 এবং Hyderabad-এর ap-south-2 মিলে India geography। তাই migration ও compliance review-তে model ID, দুই Region-এর IAM ও SCP permission, credential, application log এবং retention ব্যতিক্রমকে একই control set হিসেবে যাচাই করতে হবে।

১. endpoint নয়, model ID দিয়ে boundary নির্ধারণ করুন

GPT‑5.6-এর India profile residency পরীক্ষায় অনুমোদিত এবং global profile প্রত্যাখ্যাত

production configuration, environment variable, infrastructure template এবং fallback code-এ ব্যবহৃত প্রতিটি model reference খুঁজে বের করুন। Terra-র ক্ষেত্রে exact value in.openai.gpt-5.6-terra, Luna-র ক্ষেত্রে in.openai.gpt-5.6-luna; prefix বাদ পড়া বা global. fallback—দুটিই release gate-এ আটকাতে হবে।

GPT‑5.6 Terra model card-এ bedrock-runtime-এর India geographic inference ID হিসেবে in.openai.gpt-5.6-terra এবং আলাদা global ID হিসেবে global.openai.gpt-5.6-terra দেওয়া আছে; একই সঙ্গে bedrock-mantle endpoint-এ geographic ও global inference profile সমর্থিত নয়। ফলে console-এ India-labelled model দেখা বা application-এর AWS Region ভারত রাখা runtime routing-এর যথেষ্ট প্রমাণ নয়।

exact model ID-কে version-controlled configuration-এ রাখুন এবং schema validation-এ অনুমোদিত মান ছাড়া deployment ব্যর্থ করুন। fallback logic-ও পরীক্ষা করুন: capacity error, throttling বা configuration failure যেন স্বয়ংক্রিয়ভাবে global. ID নির্বাচন না করে।

২. Mumbai ও Hyderabad—দুই Region-ই policy-তে রাখুন

Mumbai ও Hyderabad অনুমোদিত রেখে India geographic inference policy সফলভাবে যাচাই

AWS-এর India implementation guide অনুযায়ী India profile request শুধু ap-south-1 ও ap-south-2-এর মধ্যে route করে, global profile সমর্থিত commercial Region-এ বিশ্বজুড়ে route করতে পারে, SCP-তে দুই ভারতীয় destination-ই অনুমোদিত হতে হয় এবং CloudTrail-এর additionalEventData.inferenceRegion থেকে processing Region দেখা যায়। একই নির্দেশনায় inference profile, source Region-এর resource এবং দুই destination Region-এর foundation model resource-এর প্রয়োজনীয় permission দেখানো হয়েছে।

শুধু ap-south-1 খোলা রেখে ap-south-2 বন্ধ করলে cross-Region inference ব্যর্থ হতে পারে। আবার প্রয়োজনের বাইরে অন্য Region অনুমোদন করলে intended perimeter অকারণে বড় হয়। তাই SCP allow-list-এ দুই ভারতীয় Region রাখুন এবং অন্য geography থেকে invocation প্রত্যাখ্যাত হচ্ছে কি না negative test চালান।

IAM role-কে প্রয়োজনীয় India inference profile এবং ap-south-1 ও ap-south-2-এর সংশ্লিষ্ট foundation model resource-এ সীমিত করুন। foundation model permission-এ bedrock:InferenceProfileArn condition ব্যবহার করলে অনুমোদিত profile-এর বাইরে একই model invoke করার পথ সংকুচিত হয়। OpenAI-compatible Responses বা Chat Completions API ব্যবহার করলে default project resource ও bearer-token action-ও নির্বাচিত authentication path অনুযায়ী policy-তে যাচাই করুন।

৩. credential ও configuration বদলের ক্ষমতা আলাদা রাখুন

production workload-এ স্থায়ী access key না রেখে IAM role, federation অথবা short-term Bedrock API key ব্যবহার করুন। deployer, configuration approver এবং runtime invoker-এর দায়িত্ব আলাদা হলে কে model ID বদলাতে পারে এবং কে শুধু অনুমোদিত profile invoke করতে পারে, তা audit trail-এ স্পষ্ট থাকে।

নতুন integration-এ India Region-এর bedrock-runtime endpoint ব্যবহার করুন। পুরোনো workload bedrock-mantle-এ চললে শুধু model string বদলে migration সম্পন্ন হয়েছে ধরে নেবেন না; endpoint ও API path বদলে geographic profile-সমর্থিত runtime path-এ এনে end-to-end test করতে হবে।

বাংলাদেশে থাকা দল ভারতীয় workload পরিচালনা করলে operator-এর অবস্থান inference routing নির্ধারণ করে না। technical boundary প্রমাণ করতে AWS account, source endpoint, profile ID, destination Region এবং log location নথিভুক্ত করুন; cross-border administrative access, support data বা কর্মীদের প্রবেশাধিকার নিয়ে প্রযোজ্য আইনি মূল্যায়ন আলাদাভাবে করতে হবে।

৪. inference ও logging-এর জন্য আলাদা data map রাখুন

India profile, CloudTrail destination ও logging lifecycle মিলিয়ে Bedrock invocation audit

India profile model processing ভারতে সীমিত করলেও application নিজে prompt বা response observability vendor, support ticket, backup কিংবা অন্য telemetry pipeline-এ পাঠাতে পারে। তাই CloudWatch Logs, S3 archive, KMS key, backup replication এবং third-party destination inventory করে content-bearing data-র Region, encryption, access ও lifecycle নথিভুক্ত করুন।

Bedrock model invocation logging চালু করলে input, output ও metadata S3 অথবা CloudWatch Logs-এ পৌঁছাতে পারে। পুরো prompt ধরে রাখা প্রয়োজন না হলে request identifier, caller, selected model ID, timestamp এবং outcome-এর মতো ন্যূনতম metadata রাখার বিষয়টি বিবেচনা করুন। এটি configuration recommendation; retention ও evidentiary requirement অনুযায়ী security এবং data owner-কে চূড়ান্ত field set অনুমোদন করতে হবে।

test invocation-এর CloudTrail event থেকে caller, API action, source Region, ব্যবহৃত model ID এবং additionalEventData.inferenceRegion সংগ্রহ করুন। India profile-এর প্রত্যাশিত destination ap-south-1 অথবা ap-south-2; তবে একটি event একাই পূর্ণ audit evidence নয়। একই release record-এ deployed configuration, IAM ও SCP version, application-log destination এবং lifecycle policy সংরক্ষণ করুন।

৫. flagged content-এর retention ব্যতিক্রম নথিভুক্ত করুন

India profile মানে প্রতিটি input ও output নিঃশর্তভাবে তাৎক্ষণিক মুছে যায়—এমন দাবি সঠিক নয়। Amazon Bedrock-এর abuse-detection নথি বলছে, default-এ model input বা output সংরক্ষিত না হলেও GPT‑5.6 Terra ও Luna-র classifier-flagged traffic automated offline abuse detection-এর জন্য সর্বোচ্চ ৩০ দিন রাখা হতে পারে; retained data destination Region-এ AWS-এর মাধ্যমে stored ও processed হয় এবং third-party model provider-এর সঙ্গে share করা হয় না।

এই exception privacy assessment, risk register, customer commitment এবং incident-response runbook-এ লিখুন। eligible customer হলে full ZDR-এর অনুরোধ AWS account team-এর মাধ্যমে করা যায়; অনুমোদন না পাওয়া পর্যন্ত সাধারণ retention exception-ই assessment-এ ধরে চলুন। অত্যন্ত সংবেদনশীল payload-এর ক্ষেত্রে tokenization, redaction বা data minimization দরকার কি না data owner ও legal team নির্ধারণ করবে।

Production release-এর আগে checklist

  1. runtime-এর exact model ID in.openai.gpt-5.6-terra অথবা in.openai.gpt-5.6-luna; কোনো global. fallback নেই।
  2. source endpoint ap-south-1 বা ap-south-2-এর bedrock-runtime endpoint এবং migration test production-এর একই API path ব্যবহার করে।
  3. SCP ap-south-1 ও ap-south-2—দুই destination-ই অনুমোদন করে; প্রয়োজনের বাইরের geography বন্ধ।
  4. IAM policy অনুমোদিত India profile, default project এবং দুই Region-এর প্রয়োজনীয় foundation model resource-এ সীমিত; global profile invocation test ব্যর্থ হয়।
  5. runtime short-term credential ব্যবহার করে; configuration বদলানো ও model invoke করার দায়িত্ব আলাদা।
  6. application ও invocation log-এর Region, S3 বা CloudWatch destination, encryption, replication এবং lifecycle নথিভুক্ত।
  7. test request-এর CloudTrail evidence-এ exact model ID এবং inferenceRegion পাওয়া যায়; destination ap-south-1 অথবা ap-south-2।
  8. classifier-flagged content-এর সর্বোচ্চ ৩০ দিনের retention exception risk review ও data-processing assessment-এ অন্তর্ভুক্ত।

release gate-এর acceptance criterion হবে তিনটি: production request কেবল অনুমোদিত in. profile দিয়ে যায়, inference permission দুই ভারতীয় Region-এর বাইরে পৌঁছায় না এবং content-bearing data কোথায় ও কত দিন থাকে তা নথিভুক্ত। configuration, policy, CloudTrail event ও data-lifecycle evidence একই release record-এ মিললেই deployment-কে audit-ready ধরা যায়।

আরও পড়ুন:

শেয়ার করুন:

আমাদের নিউজলেটার নিন

সর্বশেষ Web3, AI ও ক্রিপ্টো সংবাদ সরাসরি আপনার ইনবক্সে পান।

0