Privatliv og databeskyttelse i LLM-prompts
Prompts indeholder ofte følsomme data. Lær om privatlivsrisici, regulering og praktiske teknikker som redigering og dataminimering, så De håndterer brugerdata ansvarligt.
Privatliv og databeskyttelse i LLM-prompts er en gratis Promptdesign og optimering af LLM'er for udviklere-lektion på CoddyKit. Dette er lektion 4 af 4. Du kan læse hele lektionen gratis nedenfor — og derefter øve dig praktisk i browseren med en indbygget kodeeditor og en AI-vejleder, der er tilgængelig døgnet rundt. Den er en del af læringsforløbet i Promptdesign og optimering af LLM'er for udviklere, og dine fremskridt synkroniseres på tværs af nettet og CoddyKit-appen. Promptdesign og optimering af LLM'er for udviklere-kurset indeholder 4 lektioner i alt.
Hvorfor privatliv er vigtigt i prompts
Alt, hvad du skriver i en prompt, sendes til en tredjeparts modeludbyder. Hvis den indeholder navne, e-mailadresser, helbredsoplysninger eller økonomiske oplysninger, kan du komme til at eksponere – og endda logge – personoplysninger.
Hvad tæller som personhenførbare oplysninger
Personhenførbare oplysninger omfatter alt, der identificerer en person: navne, e-mailadresser, telefonnumre, adresser, ID'er og kombinationer, der tilsammen identificerer en person.
Lovgivning, du bør kende
Lovgivning regulerer, hvordan du håndterer personoplysninger:
- GDPR (EU): samtykke, formålsbegrænsning, ret til sletning
- CCPA (Californien): oplysningspligt og mulighed for at fravælge
- HIPAA (USA, sundhed): beskyttede helbredsoplysninger
Dataminimering
Den gyldne regel: Send kun det til modellen, som den virkelig har brug for. Fjern felter, der er irrelevante for opgaven, før de overhovedet når prompten.
const safe = { age: user.age, plan: user.plan };
// omit name, email, address from the promptMaskering før afsendelse
Find og maskér mønstre for personhenførbare oplysninger i brugerinput, før det sendes til modellen, og gendan dem derefter eventuelt i det endelige output.
const redacted = text.replace(/[\w.]+@[\w.]+/g, "[EMAIL]");
await llm(redacted);Tokenisering og reversibel maskering
Erstat hver værdi med personhenførbare oplysninger med et pladsholdertoken, gem tilknytningen lokalt, og indsæt først de rigtige værdier igen, efter at modellen har svaret – udbyderen ser aldrig de rå data.
Udbydernes datapolitikker
Læs udbyderens vilkår: Træner de deres modeller på dine data? Bliver dataene logget, og hvor længe? Virksomhedsløsninger tilbyder ofte garantier om ingen opbevaring og ingen træning.
Retten til at blive glemt
Efter GDPR kan brugere kræve sletning. Udform dit system, så prompts og output ikke gemmes ubemærket steder, hvor du ikke kan slette dem efter anmodning.
Modeller på egen infrastruktur og lokale modeller
For de mest følsomme data kan du køre en åben model på din egen infrastruktur, så prompts aldrig forlader dit netværk – til gengæld for en vis begrænsning af funktionaliteten får du fuld kontrol over dataene.
Samtykke og gennemsigtighed
Fortæl brugerne, hvornår AI behandler deres data, og hvorfor. Tydeligt samtykke er både et lovkrav og med til at skabe tillid.
Revision og sikker logning
Du har brug for logfiler til fejlfinding, men logfiler med rå prompts kan i sig selv blive et databrud. Log maskerede prompts, og begræns adgangen for alle, der kan se rå data.
Hurtigt tjek
Test din forståelse.
Opsummering
Du har lært at beskytte privatlivet i prompts: identificere personhenførbare oplysninger, følge GDPR/CCPA/HIPAA, anvende dataminimering og maskering, bruge reversibel maskering, kontrollere udbydernes politikker for opbevaring, understøtte retten til sletning, overveje lokale modeller og logge sikkert.
Lær Promptdesign og optimering af LLM'er for udviklere med en AI-underviser — gratis
Skriv og kør rigtig kode i din browser, få øjeblikkelig hjælp fra en AI-underviser døgnet rundt, og fortsæt, hvor du slap, på web eller i appen.
- Kurser
- 12
- Lektioner
- 48
Ofte stillede spørgsmål
Er lektionen “Privatliv og databeskyttelse i LLM-prompts” gratis?
Ja — hele teksten til “Privatliv og databeskyttelse i LLM-prompts” kan læses gratis her på nettet. Hvis du vil øve dig interaktivt med en indbygget kodeeditor og en AI-vejleder døgnet rundt og få adgang til resten af Promptdesign og optimering af LLM'er for udviklere-kurset, skal du opgradere til CoddyKit PRO. Promptdesign og optimering af LLM'er for udviklere-kurset indeholder 4 lektioner i alt.
Hvad lærer jeg i “Privatliv og databeskyttelse i LLM-prompts”?
Prompts indeholder ofte følsomme data. Lær om privatlivsrisici, regulering og praktiske teknikker som redigering og dataminimering, så De håndterer brugerdata ansvarligt. Du øver dig i Promptdesign og optimering af LLM'er for udviklere med praktisk kode, som du kører direkte i browseren, og en AI-vejleder døgnet rundt besvarer dine spørgsmål, mens du arbejder dig gennem lektionen.
Skal jeg have erfaring for at begynde på Promptdesign og optimering af LLM'er for udviklere?
Der kræves ingen tidligere erfaring. Promptdesign og optimering af LLM'er for udviklere på CoddyKit er tilrettelagt for både begyndere og øvede, så du kan starte her eller fra begyndelsen og lære i dit eget tempo. Dette er lektion 4 af 4.
Hvor lang tid tager lektionen “Privatliv og databeskyttelse i LLM-prompts”?
De fleste CoddyKit-lektioner tager cirka 5–10 minutter. Hver lektion er kort og interaktiv, så du gør løbende fremskridt og kan fortsætte, hvor du slap – på både web og app.
Kan jeg skrive og køre kode i denne Promptdesign og optimering af LLM'er for udviklere-lektion?
Ja. Alle Promptdesign og optimering af LLM'er for udviklere-lektioner har en indbygget kodeeditor, så du kan skrive og køre rigtig kode direkte i din browser og få øjeblikkelig feedback fra AI – uden lokal opsætning.
Alle lektioner i dette kursus
- Bias, fairness og forklarbarhed i LLM'er
- Etisk promptdesign
- Ny forskning og fremtidige retninger
- Privatliv og databeskyttelse i LLM-prompts