LangChain / RAG / Vector DBs · Lekcja

Prywatność danych i obsługa PII

Zrozumieją Państwo, jak bezpiecznie zarządzać danymi osobowymi (PII) i danymi wrażliwymi w potokach RAG.

Prywatność danych i obsługa PII to bezpłatna lekcja LangChain / RAG / Vector DBs na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej LangChain / RAG / Vector DBs, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs LangChain / RAG / Vector DBs zawiera 4 lekcji w sumie.

Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.

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.

Często zadawane pytania

Czy lekcja „Prywatność danych i obsługa PII” jest bezpłatna?

Tak — pełny tekst „Prywatność danych i obsługa PII” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu LangChain / RAG / Vector DBs, przejdź na CoddyKit PRO. Kurs LangChain / RAG / Vector DBs zawiera 4 lekcji w sumie.

Co nauczysz się w „Prywatność danych i obsługa PII”?

Zrozumieją Państwo, jak bezpiecznie zarządzać danymi osobowymi (PII) i danymi wrażliwymi w potokach RAG. Ćwiczysz LangChain / RAG / Vector DBs z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć LangChain / RAG / Vector DBs?

Nie wymagamy żadnego doświadczenia. LangChain / RAG / Vector DBs w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.

Ile czasu zajmuje lekcja „Prywatność danych i obsługa PII”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji LangChain / RAG / Vector DBs?

Tak. Każda lekcja LangChain / RAG / Vector DBs zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

← Powrót do LangChain / RAG / Vector DBs