LangChain / RAG / Vector DBs · レッスン

データプライバシーとPIIの取り扱い

RAGパイプライン内で個人を特定できる情報（PII）や機密データを安全に管理する方法を理解します。

「データプライバシーとPIIの取り扱い」はCoddyKit上の無料LangChain / RAG / Vector DBsレッスンです。これはレッスン1/4です。下記で完全なレッスンを無料で読むことができます。その後、ブラウザ内の組み込みコードエディタと24時間対応のAIチューターでハンズオン演習できます。これはLangChain / RAG / Vector DBs学習パスの一部であり、ウェブとCoddyKitアプリ全体で進捗が同期されます。 LangChain / RAG / Vector DBsコースには全4レッスンが含まれています。

このレッスンの一部はまだ翻訳されておらず、英語で表示されています。

PII & RAG: The Basics

Welcome to this lesson on data privacy and handling Personal Identifiable Information (PII) in RAG systems.

PII refers to any data that can be used to identify a specific individual. This includes names, email addresses, phone numbers, social security numbers, and even IP addresses.

Why PII Matters in RAG

In Retrieval Augmented Generation (RAG) systems, you often deal with vast amounts of diverse data. This data can easily contain sensitive PII.

If not handled properly, your RAG system could inadvertently expose private user information, leading to severe privacy breaches and legal issues.

RAG's PII Exposure Risk

Consider a RAG system trained on internal company documents or customer support chats. A user might ask a question that, when answered, accidentally retrieves and presents a document containing someone's full name, address, or medical history.

The goal is to provide helpful information without revealing sensitive personal data.

Identifying PII in Documents

Before you can protect PII, you need to find it. This involves scanning your documents for patterns that indicate personal data.

Common methods include using regular expressions (regex), natural language processing (NLP) techniques, or specialized PII detection libraries.

PII Identification Demo

Here's a simple Python example using regular expressions to find common PII patterns like emails and phone numbers in a text document.

import re

def find_pii(text):
    patterns = {
        "EMAIL": r"[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}",
        "PHONE": r"\b(?:\d{3}[-.\s]?\d{3}[-.\s]?\d{4})\b",
        "NAME": r"\b(?:John Doe|Jane Smith)\b" # Simplified for demo
    }
    found_pii = {}
    for pii_type, pattern in patterns.items():
        matches = re.findall(pattern, text)
        if matches:
            found_pii[pii_type] = list(set(matches))
    return found_pii

document = "Contact John Doe at john.doe@example.com or call 555-123-4567."
print("Document:", document)
print("Found PII:", find_pii(document))

Strategy: Redacting PII

Redaction is the process of removing or obscuring PII so it cannot be read or identified. This is a common and effective way to protect sensitive data.

You can replace PII with generic placeholders (e.g., [EMAIL], [NAME]) or asterisks (***).

PII Redaction Demo

Building on our previous example, let's see how we can redact the identified PII from a document using Python and regular expressions.

import re

def redact_pii(text):
    # Redact email addresses
    text = re.sub(r"[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}", "[EMAIL_REDACTED]", text)
    # Redact phone numbers
    text = re.sub(r"\b(?:\d{3}[-.\s]?\d{3}[-.\s]?\d{4})\b", "[PHONE_REDACTED]", text)
    # Redact specific names (simplified)
    text = re.sub(r"\bJohn Doe\b", "[NAME_REDACTED]", text)
    text = re.sub(r"\bJane Smith\b", "[NAME_REDACTED]", text)
    return text

document = "Contact John Doe at john.doe@example.com or call 555-123-4567."
redacted_doc = redact_pii(document)
print("Original:", document)
print("Redacted:", redacted_doc)

Strategy: Pseudonymization

Pseudonymization replaces PII with artificial identifiers (pseudonyms). Unlike redaction, it allows for re-identification if necessary, but only with access to a separate 'key' that maps pseudonyms back to original PII.

This is useful when you need to analyze data statistically without directly exposing individual identities.

Data Minimization Principle

A core privacy principle is data minimization. This means you should only collect, process, and store the absolute minimum amount of PII necessary for your RAG system to function.

Less PII stored means less risk in case of a data breach. Regularly review what data you are retaining.

Secure Storage & Access

Even after processing, any remaining PII in your vector store or source documents needs robust protection:

Encryption: Encrypt data both when it's stored (at rest) and when it's being moved (in transit).
Access Control: Implement strict role-based access to your databases and RAG components. Only authorized personnel should access sensitive data.
Isolated Environments: Process PII in secure, isolated computing environments to minimize exposure.

PII Handling Check

Which of the following are valid and recommended strategies for handling PII in a RAG system?

Recap: PII & RAG Security

In this lesson, we explored the critical importance of handling PII in RAG systems. We learned about identifying PII, and key strategies like redaction and pseudonymization.

Remember the data minimization principle and the need for secure storage and access controls to protect sensitive information and ensure compliance with privacy regulations.

よくある質問

「データプライバシーとPIIの取り扱い」レッスンは無料ですか？

はい。「データプライバシーとPIIの取り扱い」の完全なテキストはこのウェブで無料で読めます。インタラクティブに演習し（組み込みコードエディタと24時間対応のAIチューター）、LangChain / RAG / Vector DBsコースの残りをアンロックするには、CoddyKit PROにアップグレードしてください。 LangChain / RAG / Vector DBsコースには全4レッスンが含まれています。

「データプライバシーとPIIの取り扱い」で何を学びますか？

RAGパイプライン内で個人を特定できる情報（PII）や機密データを安全に管理する方法を理解します。ブラウザで直接実行するハンズオンコードでLangChain / RAG / Vector DBsを演習し、24時間対応のAIチューターがレッスンを進める中での質問に答えます。

LangChain / RAG / Vector DBsを始めるのに経験は必要ですか？

事前経験は必要ありません。CoddyKitのLangChain / RAG / Vector DBsは初級者から上級者向けに構成されているため、ここから始めるか最初から始めて、自分のペースで進むことができます。これはレッスン1/4です。

「データプライバシーとPIIの取り扱い」レッスンにはどのくらい時間がかかりますか？

ほとんどのCoddyKitレッスンは約5～10分かかります。各レッスンはコンパクトでインタラクティブなので、着実に進歩し、ウェブとアプリ全体で正確に前回の場所から再開できます。

このLangChain / RAG / Vector DBsレッスンでコードを書いて実行できますか？

はい。すべてのLangChain / RAG / Vector DBsレッスンに組み込みコードエディタが含まれているため、ブラウザでリアルコードを書いて実行し、即座のAIフィードバックを取得できます。ローカル設定は不要です。

このコースのすべてのレッスン

← LangChain / RAG / Vector DBsに戻る