Maskowanie PII: referencyjny pipeline ai

Dla biznesu

Co to jest

Dane osobowe (imiona i nazwiska, daty urodzenia, numery kont) są wykrywane i maskowane, zanim cokolwiek zostanie zapisane albo wysłane do modelu.

Dlaczego to ważne

Zmniejsza to ekspozycję regulacyjną (RODO, regulacje finansowe) i pozwala bezpiecznie korzystać z zewnętrznych dostawców AI oraz przechowywać dane na potrzeby ulepszeń.

Ryzyko bez tego

Dane osobowe wyciekają do logów, indeksów wyszukiwania i promptów u zewnętrznych dostawców, gdzie trudno je znaleźć, a jeszcze trudniej usunąć.

Dla inżynierów

Jak to działa

Reguły wzorców wyłapują dane ustrukturyzowane (numery kont, kody pocztowe, daty); rozpoznawanie nazw własnych wyłapuje imiona, nazwiska i miejsca. Wartości są zastępowane typowanymi placeholderami, a osobny sejf z kontrolą dostępu mapuje je z powrotem tylko wtedy, gdy finalny dokument potrzebuje prawdziwych wartości.

Typowy stack

Microsoft Presidio
AWS Comprehend PII
własne reguły
sejf tokenów szyfrowany KMS

Pułapki i kompromisy

Mierz recall na własnych danych: przeoczone PII to kosztowny błąd.
Zachowaj typy placeholderów ([NAME], [ACCOUNT]), żeby model nadal rozumiał zdanie.
Logi i trace’y też wymagają maskowania.

W tym przykładzie

Wejście

Jane Smith, ur.
04/03/1971,
konto 4417…

Wyjście

[NAME], ur.
[DATE],
konto [ACCOUNT]

Fikcyjny przykład · nie system klienta