Veri Gizliliği ve PII İşleme
RAG işlem hatlarınızda kişisel olarak tanımlanabilir bilgileri (PII) ve hassas verileri güvenli bir şekilde nasıl yöneteceğinizi öğrenin.
Veri Gizliliği ve PII İşleme, CoddyKit'te ücretsiz bir LangChain / RAG / Vector DBs dersidir. Bu, 4 dersinin 1. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, LangChain / RAG / Vector DBs öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. LangChain / RAG / Vector DBs kursu toplamda 4 dersten oluşur.
Bu dersin bazı bölümleri henüz çevrilmemiş olup İngilizce olarak gösterilmektedir.
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.
Yapay zeka eğitmeniyle LangChain / RAG / Vector DBs öğren — ücretsiz
Tarayıcında gerçek kod yaz ve çalıştır, 7/24 yapay zeka eğitmeninden anında yardım al; web'de ya da uygulamada kaldığın yerden devam et.
- Kurslar
- 12
- Dersler
- 48
Sıkça Sorulan Sorular
“Veri Gizliliği ve PII İşleme” dersi ücretsiz mi?
Evet — “Veri Gizliliği ve PII İşleme” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve LangChain / RAG / Vector DBs kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. LangChain / RAG / Vector DBs kursu toplamda 4 dersten oluşur.
“Veri Gizliliği ve PII İşleme” dersinde ne öğreneceğim?
RAG işlem hatlarınızda kişisel olarak tanımlanabilir bilgileri (PII) ve hassas verileri güvenli bir şekilde nasıl yöneteceğinizi öğrenin. LangChain / RAG / Vector DBs ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
LangChain / RAG / Vector DBs öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te LangChain / RAG / Vector DBs, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 1. dersidir.
“Veri Gizliliği ve PII İşleme” dersi ne kadar sürer?
Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.
Bu LangChain / RAG / Vector DBs dersinde kod yazıp çalıştırabilir miyim?
Evet. Her LangChain / RAG / Vector DBs dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.
Bu kursun tüm dersleri
- Veri Gizliliği ve PII İşleme
- Halüsinasyonları ve Yanlılığı Azaltma
- RAG için Sorumlu Yapay Zeka Uygulamaları
- İstem Enjeksiyonuna Karşı Savunma