Miksi itse isännöidyt PII-työkalut epäonnistuvat compliance-auditoinneissa
GDPR vaatii todisteita. Sinun on osoitettava, että henkilötietojen poistaminen suoritettiin samalla tavalla joka kerta. Valvontaviranomaisten tarkastajat varmistavat tämän. He haluavat nähdä selkeän, johdonmukaisen menetelmän sovellettuna kaikkeen dataan.
Itse isännöidyssä Presidiossa on todellinen ongelma tässä. Kyse ei ole konfigurointiasiasta. Se on itse isännöityjen NLP-työkalujen perustavanlaatuinen rajoitus.
Mitä on ympäristön ajautuminen?
Itse isännöity Presidio pyörii kehitys-, staging- ja tuotantoympäristöissä. Jokainen niistä voi käyttäytyä eri tavalla. Siksi sama syöte voi tuottaa erilaisia tuloksia kussakin.
Tätä kutsutaan ympäristön ajautumiseksi. Sillä on neljä pääsyytä.
Malliversion ajautuminen
spaCy-mallit ovat versioituja. Malli en_core_web_lg 3.4.4 ja en_core_web_lg 3.5.1 on koulutettu eri datalla. Ne käyttävät myös eri arkkitehtuuria. Siksi sama asiakirja voi tuottaa erilaisia NER-tuloksia kummallakin versiolla.
Yleinen konfiguraatio näyttää tältä:
- Kehitys:
en_core_web_lg 3.4.4— asennettu projektin alussa - Staging:
en_core_web_lg 3.5.0— päivitetty rutiinitöiden aikana - Tuotanto:
en_core_web_lg 3.5.1— päivitetty tietoturvakorjauksen aikana
Tämä on kolme konfiguraatiota. Kolme malliversiota. Kolme erilaista tunnistustulosta. Testit läpäistään stagingissä. Mutta tuotanto pyörii eri mallilla. Aukko pysyy piilossa.
Riippuvuuksien ajautuminen
spaCy 3.4.x ja 3.5.x eroavat siinä, miten ne jakavat lauseita. Tämä muutos vaikuttaa siihen, miten nimet löydetään lähellä lauserajoja. Nämä muutokset ovat spaCyn julkaisutiedoissa. Mutta useimmat tiimit eivät tarkista niitä henkilötietoihin vaikuttavien muutosten osalta.
Konfiguraation ajautuminen
Kehityksessä asetetut pistemääräkynnykset eivät välttämättä siirry tuotantoon. Myös mukautetut sanaluettelot voivat erota konfiguraatioiden välillä. Nämä aukot ovat yleisiä. Niitä seurataan harvoin. Katso GDPR-compliance-oppaastamme, mitä tarkastajat etsivät.
Laitteistoerot
NLP-mallien matematiikka ei ole identtistä kaikilla suorittimilla ja GPU:illa. Kuluttajalaptop ja palvelin voivat tuottaa hieman erilaisia pistemäärätuloksia. Siksi jotkin nimet saatetaan löytää yhdellä koneella mutta ei toisella.
Todellinen auditoinnin tulos
Eräs pankki testasi itse isännöityä Presidio-konfiguraatiotaan.
Testikonfiguraatio: Presidio spaCy 3.4.4:llä staging-klusterissa. Live-konfiguraatio: Presidio spaCy 3.5.1:llä tuotantoklusterissa.
He ajivat saman asiakirjajoukon molempien läpi. Sitten he vertasivat tuloksia. Tulos: 3 % asiakirjoista tuotti erilaisia henkilötietojen poistotuloksia. Jotkin nimet tunnistettiin stagingissä mutta ei tuotannossa. Joissakin oli erilaisia tunnistettuja tekstialueita.
Auditoinnin tulos oli suoraviivainen: "Yritys ei pysty osoittamaan yhdenmukaista teknisten henkilötietojen poistotoimenpiteiden käyttöä ympäristökohtaisten tunnistustulosten erojen vuoksi."
GDPR:n 32 artikla vaatii riittäviä teknisiä toimenpiteitä. EDPB:n säännöt henkilötietojen anonymisoinnista vaativat johdonmukaisuutta ja toistettavuutta. 3 %:n aste 100 000 asiakirjassa kuukaudessa tarkoittaa 3 000 asiakirjaa epäjohdonmukaisilla tuloksilla kuukausittain. Osa on vääriä negatiivisia. Henkilötiedot, jotka staging olisi tunnistanut, jäävät live-tulosteeseen. Tämä on compliance-epäonnistuminen.
Pankki siirtyi sitten hallittuun SaaSiin. Auditoinnin tulos suljettiin. Katso tietoturva- ja compliance-sivultamme, miten hallitut konfiguraatiot käsittelevät tämän.
Miksi hallitut palvelut ovat erilaisia
Hallittu palvelu pyörittää yhtä moottoriversiota. Kaikki käyttäjät pyörittävät samaa versiota samanaikaisesti. Mallin päivitykset toteutetaan yhdestä pisteestä. Myös konfiguraatiota hallitaan yhdestä pisteestä, täydellisellä muutoslokillaolla. Käyttäjien laitteisto ei vaikuta tuloksiin.
Siksi sama tänään käsitelty asiakirja tuottaa saman tuloksen ensi kuussa. Jos moottoriversio on muuttunut, tuo muutos on kirjattu ja versioitu.
Ero kirjausketjussa on perustavanlaatuinen.
Itse isännöity kirjausketju:
- "Käytetty Presidio 2.2.35 spaCy
en_core_web_lg 3.5.1:llä Ubuntu 22.04:ssä." - Oliko tämä sama versio kuin stagingissä? Tuntematon.
- Onko malli muuttunut tämän asiakirjan käsittelemisen jälkeen? Tuntematon ellei seurata.
- Onko pistemääräkynnys sama kuin testeissä? Riippuu konfiguraation hallinnasta.
Hallitun palvelun kirjausketju:
- "Käytetty anonym.legal API, moottoriversio 4.22.1, klo 2025-03-15T14:22:31Z."
- Sama versio kaikille käyttäjille? Kyllä.
- Onko se muuttunut? Moottoriversiota lukitaan. Versio 4.22.1 tarkoittaa aina samaa moottoria.
- Onko konfiguraatio toistettavissa? Kyllä. Esiasetuksen tunnus on kirjattu. Konfiguraatio tuolla versiolla voidaan hakea.
Hallittu ketju on selkeä. Itse isännöity ketju vaatii huolellista seurantaa, jota useimmat tiimit eivät tee.
Johdonmukaisuuden parantaminen itse isännöidyssä
Jos itse isännöinti on välttämätöntä, voit vähentää ajautumista neljällä vaiheella.
Ensimmäiseksi lukitse malliversiot. Kiinnitä tarkat malliversiot kaikissa käyttöönottotiedostoissa. Estä automaattiset päivitykset. Seuraa versioita versionhallinnassa.
Sitten lukitse konttikuvat. Rakenna Docker-kuvat sisäänrakennetuilla tarkoilla malliversioilla. Merkitse jokainen kuva malliversiolla, Presidio-versiolla ja päivämäärällä. Älä päivitä pohjakuvia ilman ennakkotestausta.
Lisäksi pidä konfiguraatio koodissa. Tallenna kaikki Presidion asetukset versionhallinnassa seuratuissa tiedostoissa. Tämä sisältää tunnistimet, pistemääräkynnykset ja aktiiviset kielet. Asenna konfiguraatio sovelluksen mukana.
Lopuksi testaa konfiguraatioiden välillä. Minkä tahansa päivityksen jälkeen aja kiinteä joukko testausasiakirjoja uuden konfiguraation läpi. Vertaa tuloksia tallennettuun viitearvoon. Automatisoi tämä tarkistus. Katso UKK:stamme yleisistä kysymyksistä automatisoidusta PII-regressiotestauksesta.
Nämä vaiheet auttavat. Mutta ne myös lisäävät työtä. Hallittu palvelu tarjoaa saman johdonmukaisuuden ilman lisävaivaa.
Johtopäätös
Johdonmukainen henkilötietojen poistaminen ei näy tuotelehtisissä. Mutta se tulee kriittiseksi, kun tarkastajat pyytävät todisteita.
Ilman huolellista ylläpitoa itse isännöidyt PII-työkalut ajautuvat. Versiomuutokset lisäävät hiljaisia aukkoja. Nuo aukot tulevat esiin auditoinnin tuloksina.
Hallitut palvelut tarjoavat johdonmukaisuuden oletuksena. Moottori pyörii yhdestä pisteestä. Käyttäjien konfiguraatiot eivät vaikuta tuloksiin. Complianceen keskittyville tiimeille tämä on suora etu.