Aplikacje AI potrzebują danych, ale ich ochrona to wyzwanie. Amazon Bedrock Guardrails i tokenizacja to rozwiązanie, które maskuje PII, ale pozwala je odzyskać.
W skrócie:
- Generatywna AI w firmach integruje się z systemami przetwarzającymi wrażliwe dane klientów (PII), co stwarza poważne wyzwania w zakresie bezpieczeństwa i zgodności z przepisami.
- Dotychczasowe filtry w Amazon Bedrock Guardrails maskowały poufne informacje, ale proces ten był nieodwracalny, co uniemożliwiało ich użycie w dalszych procesach biznesowych.
- Integracja z usługami tokenizacji, np. od firmy Thales, pozwala zastępować dane PII odwracalalnymi tokenami, co łączy najwyższy poziom bezpieczeństwa z pełną funkcjonalnością.
Generatywna sztuczna inteligencja wkracza do środowisk produkcyjnych. To już nie jest zabawka dla entuzjastów, ale potężne narzędzie integrowane z systemami biznesowymi, które przetwarzają najbardziej wrażliwe dane klientów. I tu zaczyna się problem. Wyobraźmy sobie firmę z sektora finansowego. Jej dział obsługi klienta potrzebuje asystenta AI, który ma dostęp do profili użytkowników, by udzielać spersonalizowanych odpowiedzi w stylu: “Wyślemy nową kartę na Pana adres przy ul. Głównej 123”. Jednocześnie dział analizy oszustw musi analizować te same dane, ale bez wglądu w konkretne informacje osobowe. Potrzebuje wzorców, a nie nazwisk.
Amazon znalazł na to rozwiązanie, które jest tak proste, jak i genialne. We współpracy z firmą Thales, specjalizującą się w cyberbezpieczeństwie, pokazał, jak połączyć dwie technologie – Guardrails for Amazon Bedrock oraz tokenizację – aby stworzyć architekturę, w której dane są jednocześnie chronione i w pełni użyteczne.
Jak działała ochrona danych w AI do tej pory?
Do tej pory firmy miały twardy orzech do zgryzienia. Narzędzia takie jak Guardrails for Amazon Bedrock pozwalały wykrywać i filtrować poufne informacje w zapytaniach do modelu lub w jego odpowiedziach. System mógł automatycznie zablokować prośbę zawierającą dane osobowe albo zamaskować je, wstawiając w ich miejsce generyczne znaczniki, takie jak {NAME} czy {EMAIL}. To skutecznie chroniło prywatność i pomagało spełniać wymogi regulacyjne.
Jednak takie maskowanie miało jedną, fundamentalną wadę: nieodwracalność. Gdy system zamieniał wrażliwe dane na ogólny znacznik, oryginalna informacja stawała się niedostępna dla aplikacji działających w dalszej części procesu. To paraliżowało wiele przepływów pracy, w których bezpieczeństwo musi iść w parze z dostępem do funkcjonalnych danych. To trochę tak, jakby zamazać kluczowy fragment mapy czarnym markerem – bezpiecznie, ale bezużytecznie.
Czym jest tokenizacja i dlaczego zmienia zasady gry?
Tokenizacja to zupełnie inne podejście. Zamiast bezpowrotnie maskować dane, zastępuje je tokenami, które zachowują oryginalny format, ale nie mają z nim żadnego matematycznego powiązania. Taki token można bezpiecznie przesłać do dalszej analizy, a uprawnione systemy mogą go w każdej chwili “odkodować”, przywracając pierwotną wartość. To ścieżka do bezpiecznego przepływu danych w całej organizacji.
Rozwiązanie zaprezentowane przez AWS i Thales wykorzystuje interfejs ApplyGuardrail API do oceny treści, ale oddziela ten proces od wywołania samego modelu językowego. Ta przerwa w procesie pozwala na wdrożenie magii. Gdy Guardrails wykryje dane PII i je zamaskuje, do akcji wkracza usługa tokenizacji (w tym przypadku Thales CipherTrust Data Security Platform), która podmienia generyczne maski na tokeny. Dopiero tak przygotowane zapytanie trafia do modelu AI.
Jak to wygląda w praktyce? Przykład z życia wzięty
Wyobraźmy sobie aplikację doradztwa finansowego, która pomaga klientom analizować ich wzorce wydatków. Użytkownik wpisuje zapytanie: “Cześć, tu j.smith@example.com. Na podstawie moich pięciu ostatnich transakcji na acme.com i salda 2342,18 $, czy powinienem rozważyć ich nową ofertę karty kredytowej?”.
Przepływ pracy wygląda następująco:
- System bramki klienta odbiera zapytanie i wywołuje ApplyGuardrail API, by zidentyfikować dane PII.
- Wykryte elementy (adres e‑mail, nazwa sklepu) są wysyłane do usługi tokenizacji, która generuje dla nich unikalne, zachowujące format tokeny.
- Zapytanie trafia do silnika analitycznego AI w zmienionej formie: “Cześć, tu [[TOKEN_123]]. Na podstawie moich pięciu ostatnich transakcji na [[TOKEN_456]] (…)”.
- Model LLM analizuje dane i generuje poradę, wciąż używając tokenów.
- Odpowiedź trafia do usługi przetwarzającej, która odkodowuje tokeny, przywracając oryginalne dane.
- Klient otrzymuje w pełni spersonalizowaną, czytelną odpowiedź.
Dzięki tej architekturze poufność danych jest zachowana na każdym etapie, a jednocześnie nie traci się ich użyteczności. Silnik analityczny pracuje na kryptograficznie zabezpieczonych danych, a zaufane komponenty na początku i końcu procesu mają dostęp do oryginału. To rozwiązanie, które pozwala pogodzić ogień z wodą – innowację z wymogami prawnymi. I właśnie dlatego może stać się standardem w branżach, gdzie błędy kosztują najwięcej.