Mengapa Alat PII Hos Sendiri Gagal Audit Pematuhan
GDPR memerlukan bukti. Anda mesti menunjukkan bahawa penyingkiran PII dilakukan dengan cara yang sama setiap kali. Juruaudit DPA menyemak ini. Mereka ingin melihat kaedah yang jelas dan konsisten digunakan merentasi semua data.
Presidio hos sendiri mempunyai masalah sebenar di sini. Ia bukan isu konfigurasi. Ia adalah had teras alat NLP hos sendiri.
Apakah Penyimpangan Persekitaran?
Presidio hos sendiri berjalan dalam dev, peringkat, dan pengeluaran. Setiap satu daripada ini boleh berkelakuan dengan cara yang berbeza. Jadi input yang sama boleh menghasilkan keputusan yang berbeza dalam setiap satu.
Ini dipanggil penyimpangan persekitaran. Ia mempunyai empat punca utama.
Penyimpangan Versi Model
Model spaCy adalah berversi. Model en_core_web_lg 3.4.4 dan en_core_web_lg 3.5.1 dilatih pada data yang berbeza. Mereka juga menggunakan reka bentuk yang berbeza. Jadi dokumen yang sama boleh memberikan keputusan NER yang berbeza dengan setiap versi.
Persediaan yang biasa kelihatan seperti ini:
- Dev:
en_core_web_lg 3.4.4- dipasang pada permulaan projek - Peringkat:
en_core_web_lg 3.5.0- dikemas kini semasa kerja rutin - Pengeluaran:
en_core_web_lg 3.5.1- dikemas kini semasa pembetulan keselamatan
Itu adalah tiga persediaan. Tiga versi model. Tiga keputusan pengesanan yang berbeza. Ujian lulus dalam peringkat. Tetapi pengeluaran menjalankan model yang berbeza. Jadi jurang itu kekal tersembunyi.
Penyimpangan Versi Kebergantungan
spaCy 3.4.x dan 3.5.x berbeza dalam cara mereka memisahkan ayat. Perubahan itu mempengaruhi cara nama ditemui berhampiran pemisah ayat. Perubahan ini ada dalam nota keluaran spaCy. Tetapi kebanyakan pasukan tidak menyemaknya untuk kesan PII.
Penyimpangan Konfigurasi
Ambang skor yang ditetapkan dalam dev mungkin tidak dibawa ke pengeluaran. Senarai perkataan tersuai juga boleh berbeza antara persediaan. Jurang ini adalah biasa. Ia jarang dijejaki. Lihat panduan pematuhan GDPR kami untuk apa yang dicari oleh juruaudit.
Perbezaan Perkakasan
Matematik dalam model NLP tidak sama merentasi semua CPU dan GPU. Laptop pengguna dan pelayan boleh memberikan keputusan skor yang sedikit berbeza. Jadi sesetengah nama mungkin ditemui pada satu mesin tetapi tidak pada mesin yang lain.
Penemuan Audit Sebenar
Sebuah bank menguji persediaan Presidio hos sendiri mereka.
Persediaan ujian: Presidio dengan spaCy 3.4.4 pada kluster peringkat. Persediaan langsung: Presidio dengan spaCy 3.5.1 pada kluster pengeluaran.
Mereka menjalankan set dokumen yang sama melalui kedua-duanya. Kemudian mereka membandingkan hasilnya. Penemuan: 3% dokumen mempunyai keputusan penyingkiran PII yang berbeza. Sesetengah nama ditangkap dalam peringkat tetapi tidak dalam pengeluaran. Sesetengah mempunyai rentang teks yang dikesan berbeza.
Penemuan audit itu adalah langsung: "Firma tidak dapat menunjukkan penggunaan langkah penyingkiran PII teknikal yang konsisten disebabkan perbezaan output pengesanan khusus persediaan."
Artikel 32 GDPR memerlukan langkah teknikal yang sesuai. Peraturan EDPB mengenai penyingkiran PII memerlukan konsistensi dan kebolehulangan. Kadar 3% merentasi 100,000 dokumen sebulan bermakna 3,000 dokumen dengan keputusan yang tidak konsisten setiap bulan. Sesetengah adalah negatif palsu. PII yang peringkat akan tangkap kekal dalam output langsung. Itu adalah kegagalan pematuhan.
Bank itu kemudian berpindah ke SaaS terurus. Penemuan audit ditutup. Lihat halaman keselamatan dan pematuhan kami untuk cara persediaan terurus mengendalikan ini.
Mengapa Perkhidmatan Terurus Berbeza
Perkhidmatan terurus menjalankan satu versi enjin. Semua pengguna menjalankan versi yang sama pada masa yang sama. Kemas kini model digunakan dari satu tempat. Konfigurasi juga diurus dari satu tempat, dengan log perubahan penuh. Perkakasan pengguna tidak mempengaruhi keputusan.
Jadi dokumen yang sama yang diproses hari ini memberikan keputusan yang sama bulan depan. Jika versi enjin berubah, perubahan itu dilog dan diversi.
Perbezaan jejak audit adalah penting.
Jejak audit hos sendiri:
- "Digunakan Presidio 2.2.35 dengan spaCy
en_core_web_lg 3.5.1pada Ubuntu 22.04." - Adakah ini versi yang sama seperti dalam peringkat? Tidak diketahui.
- Adakah model berubah sejak dokumen ini diproses? Tidak diketahui melainkan dijejaki.
- Adakah ambang skor sama seperti dalam pengujian? Ia bergantung kepada pengurusan konfigurasi.
Jejak audit perkhidmatan terurus:
- "Digunakan API anonym.legal, versi enjin 4.22.1, pada 2025-03-15T14:22:31Z."
- Versi yang sama untuk semua pengguna? Ya.
- Adakah ia berubah? Versi enjin diikat. Versi 4.22.1 sentiasa bermakna enjin yang sama.
- Adakah konfigurasi boleh diulang? Ya. ID praset dilog. Konfigurasi pada versi tersebut boleh diambil semula.
Jejak terurus adalah jelas. Jejak hos sendiri memerlukan penjejakan teliti yang kebanyakan pasukan abaikan.
Cara Meningkatkan Konsistensi Hos Sendiri
Jika hos sendiri diperlukan, anda boleh mengurangkan penyimpangan dengan empat langkah.
Pertama, ikat versi model. Kunci versi model tepat dalam semua fail penggunaan. Sekat kemas kini automatik. Jejaki versi dalam kawalan sumber.
Seterusnya, bekukan imej kontena. Bina imej Docker dengan versi model tepat yang disertakan. Tandakan setiap imej dengan versi model, versi Presidio, dan tarikh. Jangan kemas kini imej asas tanpa menguji terlebih dahulu.
Juga, simpan konfigurasi dalam kod. Simpan semua tetapan Presidio dalam fail yang dijejaki dalam kawalan versi. Ini termasuk pengesan, ambang skor, dan bahasa aktif. Gunakan konfigurasi bersama aplikasi.
Akhirnya, uji merentasi persediaan. Selepas sebarang kemas kini, jalankan set dokumen ujian tetap melalui persediaan baharu. Bandingkan keputusan dengan rujukan yang disimpan. Automatikkan semakan ini. Lihat FAQ untuk soalan biasa tentang ujian regresi PII automatik.
Langkah-langkah ini membantu. Tetapi ia juga menambah kerja. Perkhidmatan terurus memberikan konsistensi yang sama tanpa usaha tambahan.
Intinya
Penyingkiran PII yang konsisten tidak muncul dalam helaian produk. Tetapi ia menjadi kritikal apabila juruaudit meminta bukti.
Tanpa penjagaan aktif, alat PII hos sendiri menyimpang. Perubahan versi menambah jurang yang senyap. Jurang tersebut muncul sebagai penemuan audit.
Perkhidmatan terurus menyediakan konsistensi secara lalai. Enjin berjalan dari satu tempat. Persediaan pengguna tidak mempengaruhi keputusan. Untuk pasukan yang berfokus pada pematuhan, ini adalah kelebihan langsung.