Presidio وLiteLLM يخفيان البيانات الشخصية عن النماذج اللغوية الخارجية: اختبار ثلاث تهيئات على 20 نصًا

موقف مألوف: تريد شركة تمرير رسائل العملاء عبر GPT أو Claude، وفيها أسماء عائلات وأرقام هواتف وبريد إلكتروني وعناوين. يتجهّم المحامون، ويطلب مسؤولو الأمن «فعل شيء ما». أبسط حل هو عدم إرسال البيانات الشخصية أصلًا: استبدالها برموز، وانتظار الرد، ثم إعادة القيم الحقيقية إليه. هذه هي الآلية التي حلّلها كاتب على موقع «هابر» باستخدام Presidio وLiteLLM.

تنبيه مهم: لدينا فقط إعلان المقال وليس نصه الكامل. لذلك نعرض أدناه ما يصرّح به المؤلف مباشرة، إضافة إلى الآلية العامة للأدوات كما وردت في وثائقها.

كيف يعمل ذلك في مثال بسيط

Presidio مكتبة مفتوحة المصدر من Microsoft للكشف عن البيانات الشخصية وإخفاء هويتها. وتتكون من جزأين. يعثر Analyzer في النص على الكيانات: الأسماء وأرقام الهاتف والبريد الإلكتروني وأرقام البطاقات. أما Anonymizer فيستبدل ما عثر عليه وفق القاعدة المختارة: بالحذف أو الإخفاء أو وضع رمز.

تخيّل الطلب: «يطلب إيفان بيتروف الاتصال به على الرقم +7 900 123-45-67». يصل إلى النموذج النص «<PERSON_1> يطلب الاتصال به على الرقم <PHONE_1>». يرد النموذج مستخدمًا الرموز نفسها، ويعيد الوسيط القيم الحقيقية إلى مكانها. لا يرى المزوّد الخارجي البيانات الحقيقية، ويحصل المستخدم على رد متماسك.

يؤدي LiteLLM هنا دور الوسيط بين تطبيقك ومزوّدي النماذج. ولديه تكامل مع Presidio على شكل guardrail: يُدمج الإخفاء والاستبدال العكسي في نقطة واحدة، فلا حاجة إلى إعادة كتابة شيفرة كل خدمة.

أين تبدأ صعوبات اللغة الروسية

Presidio مصمم افتراضيًا للإنجليزية. وللروسية يلزم ربط نموذج لغوي مناسب، مثل نموذج من spaCy، والتحقق من أنه يجد الأسماء في حالاتها الإعرابية المختلفة. فصيغ «Ивану Петрову» و«у Ивана Петрова» و«Петрова И. А.» تمثّل للنموذج مهام مختلفة.

ثم تلزم قواعد خاصة. يتيح Presidio إضافة معرّفات مخصصة تعتمد على التعبيرات النمطية والكلمات السياقية والقوائم. وفي السياق الروسي تشمل هذه أرقام العقود ورقم التعريف الضريبي (INN) والرقم التأميني (SNILS) ومعرّفات العملاء الداخلية. على الأرجح لا يوجد معرّف جاهز لمثل هذه البيانات، وسيتعين كتابته بنفسك. ويتناول المؤلف هذا الضبط بشكل منفصل.

ماذا أظهر الاختبار

قارن المؤلف ثلاث تهيئات على 20 نصًا مختلقًا. لا يورد الإعلان أرقامًا تفصيلية، لكنه يذكر استنتاجًا واحدًا صراحة: في بعض الحالات يبقى جزء من العنوان مكشوفًا.

والسبب شائع في العناوين. فهي كيان مركّب من مدينة وشارع ومبنى وشقة. يحدد النموذج المدينة أو المنطقة بثقة، لكنه يتجاهل الشارع مع رقم المبنى أو يقطعه في منتصفه. ويكفي جزء صغير لحدوث تسرّب: فعبارة «ул. Лесная, 12» (شارع ليسنايا، 12) مع بيانات أخرى تشير إلى شخص بعينه.

ما العمل عمليًا

• لا تتعامل مع الإخفاء على أنه «شغّله وانسَه». أنشئ مجموعة اختبار خاصة بك من نصوص روسية تحتوي البيانات النمطية لديك، وقِس نسبة الإغفالات قبل الإطلاق في بيئة الإنتاج.

• أغلق العناوين وأرقام المستندات والمعرّفات الداخلية بقواعد منفصلة. فنموذج NER القياسي لا يكفي لها.

• حدّد الأهم: تفويت بعض البيانات أم إخفاء أكثر من اللازم. في بيانات العملاء الأفضل تحمّل الإنذارات الكاذبة على تحمّل التسريبات.

• احتفظ بالتطابق بين الرموز والقيم على جانب الوسيط فقط، ولمدة الطلب فقط.

القيود

عينة من 20 نصًا مختلقًا صغيرة جدًا للحكم على الدقة الفعلية في تدفق حي. فالرسائل الحقيقية أطول، وفيها أخطاء إملائية واختصارات وخلط بين اللغات. وقد تؤثر الرموز في النص على إجابة النموذج: فهو يفقد سياقًا مثل الجنس أو القومية، وتنخفض الجودة في بعض المهام.

الخلاصة: ثنائي Presidio وLiteLLM وسيلة عملية ومنخفضة التكلفة لتقليل المخاطر عند استخدام النماذج اللغوية الخارجية. لكنه ليس ضمانًا ما لم تختبره على بياناتك وتسدّ الثغرات مثل العناوين المكشوفة جزئيًا. وللفرق التي تستخدم النماذج السحابية بالفعل مع نصوص العملاء، يستحق الأمر قراءة المقال الأصلي وتكراره على مجموعة بياناتها الخاصة.