ਲਾਭ:
- ਗੁਪਤ, ਨਿੱਜੀ ਡੇਟਾ ਅਤੇ ਗੁਪਤ ਵਪਾਰਕ ਸੰਪਤੀਆਂ ਵਾਲੇ ਡੇਟਾ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਅਤੇ ਲਾਲ ਲਾਈਨਾਂ ਨੂੰ ਪਛਾਣਨ ਦੀ ਸਮਰੱਥਾ
- ਡੇਟਾ ਦਾਖਲ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਨਾਲ ਮਾਸਕਿੰਗ, ਅਗਿਆਤ ਅਤੇ ਸੁਰੱਖਿਅਤ ਕਰਨਾ
- ਪ੍ਰਵਾਨਿਤ ਟੂਲ ਦੀ ਚੋਣ, ਸੰਦਰਭ ਮਿਨੀਮਾਈਜ਼ੇਸ਼ਨ ਅਤੇ ਲੀਕ ਹੋਣ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਕੁੰਜੀ ਰੋਟੇਸ਼ਨ ਰਿਫਲੈਕਸ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਯੋਗਤਾ
ਕੋਈ ਵੀ ਚੀਜ਼ ਜੋ ਤੁਸੀਂ ਇੱਕ ਕੋਡਿੰਗ ਸਹਾਇਕ ਵਿੱਚ ਪੇਸਟ ਕਰਦੇ ਹੋ, ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਤੁਹਾਡੇ ਨਿਯੰਤਰਣ ਤੋਂ ਬਾਹਰ ਹੈ। ਇੱਕ API ਕੁੰਜੀ, ਇੱਕ ਗਾਹਕ ਡੇਟਾਬੇਸ ਡੰਪ, ਅਜੇ ਤੱਕ ਘੋਸ਼ਿਤ ਮਲਕੀਅਤ ਸਰੋਤ ਕੋਡ, ਜਾਂ ਇੱਕ ਮਰੀਜ਼ ਦਾ ਰਿਕਾਰਡ — ਇਹ ਇੱਕ ਨਾ-ਪ੍ਰਵਾਨਿਤ ਟੂਲ ਵਿੱਚ ਆਉਣ ਤੋਂ ਬਾਅਦ ਇੱਕ ਅਟੱਲ ਲੀਕ ਬਣ ਸਕਦੇ ਹਨ। ਸਾਫਟਵੇਅਰ ਟੀਮਾਂ ਲਈ AI ਦਾ ਸਭ ਤੋਂ ਵੱਡਾ ਖਤਰਾ ਲਾਈਨ ਦੀ ਗਲਤੀ ਤੋਂ ਨਹੀਂ, ਪਰ ਇੱਕ ਲਾਪਰਵਾਹੀ ਕਾਪੀ-ਪੇਸਟ ਤੋਂ ਆਉਂਦਾ ਹੈ। ਇਹ ਯੂਨਿਟ ਉਸ ਕਾਪੀ-ਪੇਸਟ ਨੂੰ ਸੁਰੱਖਿਅਤ ਬਣਾਉਣ ਬਾਰੇ ਹੈ।
ਇੱਥੇ ਅਸੀਂ ਤਿੰਨ ਚੀਜ਼ਾਂ ਨੂੰ ਵੱਖਰਾ ਕਰਦੇ ਹਾਂ: ਕਿਹੜਾ ਡੇਟਾ ਕਦੇ ਵੀ ਦਾਖਲ ਨਹੀਂ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਕਿਹੜੇ ਸਾਧਨਾਂ ਦੀ ਵਰਤੋਂ ਕਿਹੜੇ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਨਾਲ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਅਤੇ ਡੇਟਾ ਨੂੰ ਦਾਖਲ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਕਿਵੇਂ ਸੁਰੱਖਿਅਤ ਕਰਨਾ ਹੈ (ਮਾਸਕਿੰਗ, ਸਿੰਥੈਟਿਕ ਡੇਟਾ, ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਕੰਮ ਕਰਨਾ)। ਇਹ ਇੱਕ ਵਿਕਲਪਿਕ ਨਹੀਂ ਹੈ "ਇਹ ਚੰਗਾ ਹੋਵੇਗਾ"; ਇਹ ਜ਼ਿਆਦਾਤਰ ਸੰਸਥਾਵਾਂ ਵਿੱਚ ਇਕਰਾਰਨਾਮਾ ਅਤੇ ਕਾਨੂੰਨੀ ਜ਼ਿੰਮੇਵਾਰੀ ਹੈ।
ਇਹ ਇੰਨਾ ਨਾਜ਼ੁਕ ਕਿਉਂ ਹੈ?
ਡੇਟਾ ਜੋ ਤੁਸੀਂ ਇੱਕ AI ਟੂਲ ਨੂੰ ਭੇਜਦੇ ਹੋ; ਪ੍ਰਦਾਤਾ ਦੇ ਸਰਵਰਾਂ 'ਤੇ ਪ੍ਰਕਿਰਿਆ ਕੀਤੀ ਗਈ, ਕਈ ਵਾਰ ਕੁਝ ਸਮੇਂ ਲਈ ਸਟੋਰ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਨੂੰ ਕੁਝ ਉਤਪਾਦ ਸੈਟਿੰਗਾਂ ਵਿੱਚ ਮਾਡਲ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। "ਮੈਂ ਚੈਟ ਨੂੰ ਮਿਟਾ ਦਿੱਤਾ" ਕਹਿਣਾ ਅਕਸਰ ਕਾਫ਼ੀ ਨਹੀਂ ਹੁੰਦਾ; ਜਿਸ ਪਲ ਡਾਟਾ ਨੈੱਟਵਰਕ ਛੱਡਦਾ ਹੈ, ਖਤਰਾ ਪੈਦਾ ਹੁੰਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਲੀਕ ਹੋਣ ਦੀ ਕੀਮਤ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ: ਲੀਕ ਕੀਤੀ ਕਲਾਉਡ ਕੁੰਜੀ ਦੀ ਮਿੰਟਾਂ ਦੇ ਅੰਦਰ ਦੁਰਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਲੀਕ ਕੀਤੇ ਗਾਹਕ ਡੇਟਾ ਦੇ ਨਤੀਜੇ ਵਜੋਂ KVKK/GDPR ਵਰਗੇ ਨਿਯਮਾਂ ਦੇ ਤਹਿਤ ਨੋਟੀਫਿਕੇਸ਼ਨ ਅਤੇ ਜੁਰਮਾਨੇ ਹੋ ਸਕਦੇ ਹਨ, ਅਤੇ ਲੀਕ ਹੋਏ ਪ੍ਰਾਈਵੇਟ ਸਰੋਤ ਕੋਡ ਮੁਕਾਬਲੇ ਦੇ ਲਾਭ ਨੂੰ ਨਸ਼ਟ ਕਰ ਸਕਦੇ ਹਨ।
ਇਸ ਲਈ ਅੰਗੂਠੇ ਦਾ ਨਿਯਮ ਸਧਾਰਨ ਹੈ: ਕਿਸੇ ਗੈਰ-ਮਨਜ਼ੂਰਸ਼ੁਦਾ ਵਾਹਨ ਵਿੱਚ ਅਜਿਹੀ ਕੋਈ ਵੀ ਚੀਜ਼ ਦਾਖਲ ਨਾ ਕਰੋ ਜਿਸ ਨੂੰ ਤੁਸੀਂ ਗੁਆਉਣ ਦੇ ਯੋਗ ਨਹੀਂ ਹੋ ਸਕਦੇ। ਜੇਕਰ ਸ਼ੱਕ ਹੈ, ਤਾਂ ਦਾਖਲ ਨਾ ਕਰੋ।
ਸਾਵਧਾਨ: "ਸਿਰਫ਼ ਇੱਕ ਵਾਰ, ਜਲਦੀ" ਮਾਨਸਿਕਤਾ ਲੀਕ ਦਾ ਸਭ ਤੋਂ ਆਮ ਕਾਰਨ ਹੈ। ਇੱਕ ਉਤਪਾਦਨ ਲੌਗ ਜਾਂ ਇੱਕ ਸੰਰਚਨਾ ਫਾਈਲ ਨੂੰ ਪੇਸਟ ਕਰਨਾ ਜਿਵੇਂ ਕਿ ਇਹ ਇੱਕ ਜ਼ਰੂਰੀ ਬੱਗ ਨੂੰ ਹੱਲ ਕਰਨ ਵੇਲੇ ਹੁੰਦਾ ਹੈ, ਬਿਲਕੁਲ ਉਹੀ ਹੁੰਦਾ ਹੈ ਜੋ ਦਬਾਅ ਹੇਠ ਕੀਤੇ ਗਏ ਅਜਿਹੇ ਫੈਸਲਿਆਂ ਨਾਲ ਹੁੰਦਾ ਹੈ। ਤਾਕੀਦ ਗੁਪਤਤਾ ਦੇ ਨਿਯਮ ਨੂੰ ਮੁਅੱਤਲ ਨਹੀਂ ਕਰਦੀ।
ਕੀ ਕਦੇ ਦਾਖਲ ਨਹੀਂ ਹੋਣਾ ਚਾਹੀਦਾ (ਲਾਲ ਲਾਈਨ)
- ਰਾਜ਼: API ਕੁੰਜੀਆਂ, ਪਾਸਵਰਡ, ਕਲਾਉਡ ਐਕਸੈਸ ਕੁੰਜੀਆਂ, ਪ੍ਰਾਈਵੇਟ ਸਰਟੀਫਿਕੇਟ, ਟੋਕਨ, ਕਨੈਕਸ਼ਨ ਸਤਰ।
- ਨਿੱਜੀ ਡੇਟਾ (PII): ਨਾਮ-ਸਰਨੇਮ, TR ID ਨੰਬਰ, ਈ-ਮੇਲ, ਟੈਲੀਫੋਨ, ਪਤਾ, ਸਿਹਤ/ਵਿੱਤੀ ਰਿਕਾਰਡ, ਗਾਹਕ ਡੇਟਾ।
- ਗੁਪਤ ਵਪਾਰਕ ਸੰਪਤੀਆਂ: ਅਣਦੱਸਿਆ ਸਰੋਤ ਕੋਡ, ਮਲਕੀਅਤ ਐਲਗੋਰਿਦਮ, ਅੰਦਰੂਨੀ ਆਰਕੀਟੈਕਚਰ ਭੇਦ, ਇਕਰਾਰਨਾਮੇ ਦੇ ਵੇਰਵੇ।
- ਨਿਯੰਤ੍ਰਿਤ ਡੇਟਾ: ਵਿਸ਼ੇਸ਼ ਸੁਰੱਖਿਅਤ ਸ਼੍ਰੇਣੀਆਂ ਜਿਵੇਂ ਕਿ ਸਿਹਤ ਸੰਭਾਲ, ਭੁਗਤਾਨ ਕਾਰਡ (PCI), ਨਿੱਜੀ ਵਿੱਤ।
ਕਦਮ ਦਰ ਕਦਮ: ਸੁਰੱਖਿਅਤ ਵਰਤੋਂ ਪ੍ਰਵਾਹ
- ਡੇਟਾ ਦਾ ਵਰਗੀਕਰਨ ਕਰੋ। ਤੁਹਾਡੇ ਕੋਲ ਕਿਹੜੀ ਸ਼੍ਰੇਣੀ ਹੈ — ਜਨਤਕ, ਅੰਦਰੂਨੀ, ਗੁਪਤ, ਨਿਯੰਤ੍ਰਿਤ?
- ਕਲਾਸ ਦੁਆਰਾ ਵਾਹਨ ਦੀ ਚੋਣ ਕਰੋ. ਗੁਪਤ/ਨਿਯੰਤ੍ਰਿਤ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕੇਵਲ ਸੰਸਥਾਗਤ ਤੌਰ 'ਤੇ ਪ੍ਰਵਾਨਿਤ ਸਾਧਨਾਂ ਵਿੱਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਜੋ ਡੇਟਾ ਭਰੋਸਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ (ਸਿੱਖਿਆ ਵਿੱਚ ਗੈਰ-ਵਰਤੋਂ, ਧਾਰਨ ਸੀਮਾ, ਖੇਤਰੀ ਪ੍ਰੋਸੈਸਿੰਗ)।
- ਦਾਖਲ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਸੁਰੱਖਿਅਤ ਕਰੋ। ਸਟ੍ਰਿਪ ਸੀਕਰੇਟਸ, ਮਾਸਕ/ਅਨਾਮਾਈਜ਼ PII, ਜੇਕਰ ਸੰਭਵ ਹੋਵੇ ਤਾਂ ਅਸਲੀ ਦੀ ਬਜਾਏ ਸਿੰਥੈਟਿਕ (ਨਕਲੀ ਪਰ ਯਥਾਰਥਵਾਦੀ) ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰੋ।
- ਸੰਦਰਭ ਨੂੰ ਛੋਟਾ ਕਰੋ। ਆਪਣੀ ਸਮੱਸਿਆ ਨੂੰ ਸਭ ਤੋਂ ਛੋਟੀ ਪ੍ਰਜਨਨਯੋਗ ਉਦਾਹਰਨ ਤੱਕ ਘਟਾਓ ਜਿਸ ਵਿੱਚ ਸੰਵੇਦਨਸ਼ੀਲ ਹਿੱਸੇ ਸ਼ਾਮਲ ਨਹੀਂ ਹਨ।
- ਆਉਟਪੁੱਟ ਦੀ ਵੀ ਜਾਂਚ ਕਰੋ। ਜਾਂਚ ਕਰੋ ਕਿ AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਕੋਡ ਵਿੱਚ ਕੋਈ ਹਾਰਡਕੋਡ ਕੀਤਾ ਗਿਆ ਸੀਕ੍ਰੇਟ ਜਾਂ ਤੁਹਾਡੇ ਡੇਟਾ ਦਾ ਕੋਈ ਬਕਾਇਆ ਨਹੀਂ ਹੈ।
ਤਿੰਨ ਮਿੰਨੀ ਕੇਸ
ਕੇਸ 1 - ਚਿਪਕਾਈ ਕੁੰਜੀ ਨੂੰ ਰੱਦ ਕਰ ਦਿੱਤਾ ਗਿਆ ਸੀ। ਇੱਕ ਡਿਵੈਲਪਰ ਨੇ ਇੱਕ ਬੱਗ ਫਿਕਸ ਕਰਦੇ ਸਮੇਂ ਪੂਰੀ ਸੰਰਚਨਾ ਫਾਈਲ ਨੂੰ AI ਵਿੱਚ ਪੇਸਟ ਕੀਤਾ; ਫ਼ਾਈਲ ਵਿੱਚ ਇੱਕ ਲਾਈਵ ਤੀਜੀ-ਧਿਰ API ਕੁੰਜੀ ਹੈ। ਜਦੋਂ ਟੀਮ ਨੇ ਦੇਖਿਆ, ਤਾਂ ਉਹਨਾਂ ਨੇ ਤੁਰੰਤ ਕੁੰਜੀ ਨੂੰ ਰੱਦ ਕਰ ਦਿੱਤਾ (ਘੁੰਮਾਇਆ) ਅਤੇ ਇੱਕ ਨਵੀਂ ਤਿਆਰ ਕੀਤੀ; ਕੋਈ ਗਾਲੀ-ਗਲੋਚ ਨਹੀਂ ਸੀ, ਪਰ ਇਹ 'ਸਸਤੀ' ਘਟਨਾ ਸੀ। ਸਬਕ: ਗਲੂਇੰਗ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਗਲੇਜ਼ ਨੂੰ ਹਟਾਓ - ਅਤੇ ਜੇਕਰ ਇਹ ਲੀਕ ਹੋ ਗਈ ਹੈ ਤਾਂ ਤੁਰੰਤ ਕੁੰਜੀ ਨੂੰ ਚਾਲੂ ਕਰੋ।
ਕੇਸ 2 - ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਨੇ ਕਾਰੋਬਾਰ ਨੂੰ ਸੁਰੱਖਿਅਤ ਕੀਤਾ। ਇੱਕ ਟੀਮ ਅਸਲ ਗਾਹਕ ਰਿਕਾਰਡਾਂ ਦੇ ਨਾਲ ਪਾਰਸਿੰਗ ਗਲਤੀ ਦਾ ਅਨੁਭਵ ਕਰ ਰਹੀ ਸੀ। ਅਸਲ ਡੇਟਾ ਦਾਖਲ ਕਰਨ ਦੀ ਬਜਾਏ, ਉਹਨਾਂ ਨੇ ਉਸੇ ਢਾਂਚੇ ਦੇ ਨਾਲ ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਦੀਆਂ 20 ਲਾਈਨਾਂ ਤਿਆਰ ਕੀਤੀਆਂ ਪਰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਕਲੀ, ਇਸਦੇ ਨਾਲ ਗਲਤੀ ਨੂੰ ਦੁਬਾਰਾ ਤਿਆਰ ਕੀਤਾ ਅਤੇ ਇਸਨੂੰ AI ਨਾਲ ਹੱਲ ਕੀਤਾ। ਨਾ ਤਾਂ PII ਲੀਕ ਹੋਇਆ ਅਤੇ ਨਾ ਹੀ ਨਿਦਾਨ ਹੌਲੀ ਹੋਇਆ; ਸਿੰਥੈਟਿਕ ਡਾਟਾ ਸੁਰੱਖਿਅਤ ਅਤੇ ਕਾਫੀ ਸੀ।
ਕੇਸ 3 - ਪ੍ਰਿੰਟਆਊਟ ਵਿੱਚ ਲੁਕਿਆ ਹੋਇਆ ਰਾਜ਼। ਇੱਕ ਨਮੂਨਾ ਸੰਰਚਨਾ ਤਿਆਰ ਕਰਦੇ ਸਮੇਂ, AI ਨੇ ਇਸ ਵਿੱਚ ਇੱਕ ਯਥਾਰਥਵਾਦੀ ਦਿੱਖ ਵਾਲੀ "ਨਮੂਨਾ" ਕੁੰਜੀ ਨੂੰ ਏਮਬੈਡ ਕੀਤਾ ਅਤੇ ਇਸਨੂੰ ਡਿਵੈਲਪਰ ਦੇ ਧਿਆਨ ਵਿੱਚ ਰੱਖੇ ਬਿਨਾਂ ਕੋਡ ਵਿੱਚ ਪਾ ਦਿੱਤਾ; ਕੋਡ ਬੇਸ ਸਕੈਨ (ਗੁਪਤ ਸਕੈਨਰ) ਨੇ ਇਸ ਨੂੰ ਫੜ ਲਿਆ ਅਤੇ ਚੇਤਾਵਨੀ ਦਿੱਤੀ। ਅਟੱਲ ਰਾਜ਼ ਨੂੰ ਕਦੇ ਵੀ ਕੋਡ ਵਿੱਚ ਨਹੀਂ ਬਣਾਇਆ ਜਾਣਾ ਚਾਹੀਦਾ ਸੀ; ਸਹੀ ਤਰੀਕਾ ਇੱਕ ਵਾਤਾਵਰਣ ਵੇਰੀਏਬਲ ਜਾਂ ਸੀਕਰੇਟਸ ਮੈਨੇਜਰ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਸੀ। ਪਾਠ: ਭੇਦ ਲਈ ਵੀ ਆਉਟਪੁੱਟ ਨੂੰ ਸਕੈਨ ਕਰੋ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਨਮੂਨੇ
ਦਾਖਲ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਮਾਸਕਿੰਗ ਚੈਕਲਿਸਟ (ਸਵੈ):
AI ਨੂੰ ਇਹ ਟੈਕਸਟ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ, ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਮੈਂ ਹੇਠਾਂ ਦਿੱਤੇ ਨੂੰ ਹਟਾ ਦਿੰਦਾ ਹਾਂ ਅਤੇ ਜੋ ਤੁਸੀਂ ਲੱਭਦੇ ਹੋ [ਮਾਸਕੇਡ] ਨਾਲ ਬਦਲਦਾ ਹਾਂ: API ਕੁੰਜੀ, ਪਾਸਵਰਡ, ਟੋਕਨ, ਕਨੈਕਸ਼ਨ ਸਤਰ, ਨਾਮ-ਸਰਨੇਮ, ਈਮੇਲ, ਫ਼ੋਨ, ਆਈਡੀ ਨੰਬਰ, ਗਾਹਕ ਡੇਟਾ। ਲਿਖਤ:{{text}}
ਸਿੰਥੈਟਿਕ ਟੈਸਟ ਡਾਟਾ ਜਨਰੇਸ਼ਨ:
ਹੇਠਾਂ ਦਿੱਤੀ ਸਕੀਮ ਦੇ ਅਨੁਸਾਰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾਲ ਘੜਿਆ ਹੋਇਆ (ਅਸਲ ਵਿਅਕਤੀ/ਸੰਸਥਾ ਨਾਲ ਗੈਰ-ਸੰਬੰਧਿਤ) {{N}} ਕਤਾਰ ਟੈਸਟ ਡੇਟਾ ਤਿਆਰ ਕਰੋ। ਇਸਨੂੰ ਯਥਾਰਥਵਾਦੀ ਬਣਾਓ, ਪਰ ਕਿਸੇ ਵੀ ਅਸਲੀ PII ਦੀ ਵਰਤੋਂ ਨਾ ਕਰੋ। ਸਕੀਮਾ: {{ਫੀਲਡ ਅਤੇ ਕਿਸਮਾਂ}} ਕਿਨਾਰੇ ਦੇ ਕੇਸ ਸ਼ਾਮਲ ਹਨ (ਖਾਲੀ, ਸੀਮਾ, ਖਰਾਬ ਫਾਰਮੈਟ)।
ਸਥਿਰ ਗੁਪਤ ਸ਼ਿਕਾਰ (ਕੋਡ ਵਿੱਚ):
ਇਸ ਕੋਡ/ਸੰਰਚਨਾ ਵਿੱਚ ਹਾਰਡਕੋਡ ਕੀਤੇ ਗੁਪਤ ਨੂੰ ਦੇਖੋ: ਕੁੰਜੀ, ਪਾਸਵਰਡ, ਟੋਕਨ, ਕਸਟਮ URL। ਜੇ ਤੁਸੀਂ ਇਹ ਲੱਭਦੇ ਹੋ, ਤਾਂ ਇਸਦਾ ਸਥਾਨ ਨਿਰਧਾਰਤ ਕਰੋ ਅਤੇ ਸਹੀ ਢੰਗ (ਵਾਤਾਵਰਣ ਵੇਰੀਏਬਲ / ਗੁਪਤ ਪ੍ਰਬੰਧਕ) ਦਾ ਸੁਝਾਅ ਦਿਓ। ਕੋਡ:{{code}}
ਵਾਹਨ ਅਨੁਕੂਲਤਾ ਮੁਲਾਂਕਣ (ਡੇਟਾ ਕਲਾਸ ਦੁਆਰਾ):
ਮੇਰੇ ਕੋਲ ਨਿਮਨਲਿਖਤ ਕਿਸਮ ਦਾ ਡੇਟਾ ਹੈ: {{ਕਲਾਸ: ਜਨਤਕ / ਅੰਦਰੂਨੀ / ਗੁਪਤ / ਨਿਯੰਤ੍ਰਿਤ}}। ਜਿਸ ਟੂਲ ਨੂੰ ਮੈਂ ਵਰਤਣਾ ਚਾਹੁੰਦਾ ਹਾਂ ਉਹ ਹੈ: {{tool}}। ਇਸ ਟੂਲ ਵਿੱਚ ਇਸ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਮੈਨੂੰ ਕਿਹੜੇ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ (ਸਟੋਰੇਜ, ਸਿੱਖਿਆ ਵਿੱਚ ਗੈਰ-ਵਰਤੋਂ, ਖੇਤਰ, ਪਹੁੰਚ) ਦੀ ਪੁਸ਼ਟੀ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ? ਇੱਕ ਚੈਕਲਿਸਟ ਦਿਓ. ਫੈਸਲਾ ਮੇਰਾ ਹੈ; ਤੁਸੀਂ ਮਾਪਦੰਡ ਸਪੱਸ਼ਟ ਕਰੋ.
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ: (ਉਤਪਾਦਨ ਡੇਟਾਬੇਸ ਤੋਂ ਖਿੱਚੀਆਂ ਗਈਆਂ 200 ਅਸਲ ਉਪਭੋਗਤਾ ਕਤਾਰਾਂ ਨੂੰ ਪੇਸਟ ਕਰਨਾ) "ਇਸ ਡੇਟਾ ਵਿੱਚ ਪਾਰਸਿੰਗ ਗਲਤੀ ਕਿਉਂ ਹੈ?"
ਮਜਬੂਤ: "ਹੇਠਾਂ 15 ਕਤਾਰਾਂ ਹਨ ਜੋ ਅਸਲ ਡੇਟਾ ਦੇ ਸਮਾਨ ਬਣਤਰ ਨਾਲ ਹਨ ਪਰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਿੰਥੈਟਿਕ (ਕੋਈ PII ਨਹੀਂ)। parse_user() ਇਹਨਾਂ ਕਤਾਰਾਂ ਵਿੱਚੋਂ 3, 8 ਅਤੇ 12 'ਤੇ ValueError ਸੁੱਟਦਾ ਹੈ। ਆਮ ਪੈਟਰਨ ਕੀ ਹੋ ਸਕਦਾ ਹੈ, ਮੈਂ ਇਸਨੂੰ ਕਿਵੇਂ ਠੀਕ ਕਰਾਂ?"
ਮਜ਼ਬੂਤ ਸੰਸਕਰਣ ਵਿੱਚ ਬੱਗ ਨੂੰ ਦੁਬਾਰਾ ਪੈਦਾ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਢਾਂਚੇ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਣ ਦੌਰਾਨ ਕੋਈ ਅਸਲ ਨਿੱਜੀ ਡੇਟਾ ਨਹੀਂ ਹੁੰਦਾ। ਨਿਦਾਨ ਇੱਕੋ ਹੀ ਰਹਿੰਦਾ ਹੈ, ਜੋਖਮ ਰੀਸੈਟ ਹੁੰਦਾ ਹੈ.
ਡਾਟਾ ਕਲਾਸ
ਕੀ ਇਹ AI ਵਿੱਚ ਸੰਸਾਧਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ?
ਪੂਰਵ ਸ਼ਰਤ
ਜਨਤਕ
ਹਾਂ
-
ਅੰਦਰੂਨੀ ਵਰਤੋਂ (ਗੈਰ-ਸ਼ੁੱਧਤਾ)
ਆਮ ਤੌਰ 'ਤੇ
ਕਾਰਪੋਰੇਟ ਨੀਤੀ ਦੀ ਪਾਲਣਾ ਕਰੋ
ਗੁਪਤ (ਸਰੋਤ ਕੋਡ, ਵਪਾਰਕ ਰਾਜ਼)
ਸਿਰਫ਼ ਮਨਜ਼ੂਰਸ਼ੁਦਾ ਵਾਹਨ
ਕਾਰਪੋਰੇਟ ਭਰੋਸਾ + ਘੱਟੋ-ਘੱਟ
PII / ਨਿਯੰਤ੍ਰਿਤ
ਇੱਕ ਨਿਯਮ ਦੇ ਤੌਰ ਤੇ ਨੰ
ਮਾਸਕ/ਅਨਾਮਾਈਜ਼ ਕਰੋ ਜਾਂ ਸਿੰਥੈਟਿਕ ਦੀ ਵਰਤੋਂ ਕਰੋ
ਨੀਤੀ ਦੀ ਪਾਲਣਾ ਅਤੇ ਟਰੇਸ
ਸੁਰੱਖਿਅਤ ਵਰਤੋਂ ਸਿਰਫ਼ ਇੱਕ ਨਿੱਜੀ ਆਦਤ ਤੋਂ ਵੱਧ ਹੈ, ਇਹ ਇੱਕ ਕਾਰਪੋਰੇਟ ਪ੍ਰਣਾਲੀ ਹੈ: ਕਿਹੜੇ ਟੂਲ ਮਨਜ਼ੂਰ ਹਨ, ਕਿਹੜਾ ਡੇਟਾ ਕਲਾਸ ਕਿੱਥੇ ਜਾ ਸਕਦਾ ਹੈ, ਅਤੇ ਉਲੰਘਣਾ ਦੀ ਸਥਿਤੀ ਵਿੱਚ ਕੀ ਕਰਨਾ ਹੈ, ਇੱਕ ਲਿਖਤੀ ਨੀਤੀ ਵਿੱਚ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਜੇਕਰ ਕੋਈ ਰਾਜ਼ ਲੀਕ ਹੋ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਪਹਿਲਾ ਕਦਮ ਘਬਰਾਉਣਾ ਨਹੀਂ ਹੈ, ਪਰ ਲੀਕ ਹੋਏ ਪ੍ਰਮਾਣ ਪੱਤਰ ਨੂੰ ਤੁਰੰਤ ਵਾਪਸ ਕਰਨਾ (ਰੱਦ ਕਰਨਾ ਅਤੇ ਨਵਾਂ ਬਣਾਉਣਾ) ਅਤੇ ਘਟਨਾ ਦੀ ਰਿਪੋਰਟ ਕਰਨਾ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਆਪਣੀ ਸੰਸਥਾ ਦੇ ਪ੍ਰਵਾਨਿਤ ਔਜ਼ਾਰਾਂ ਅਤੇ ਡਾਟਾ ਵਰਗੀਕਰਨ ਨਿਯਮਾਂ ਦੀ ਸੂਚੀ ਨਹੀਂ ਜਾਣਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਡਾ ਪਹਿਲਾ ਕੰਮ ਉਹਨਾਂ ਨੂੰ ਸਿੱਖਣਾ ਹੈ।
ਸੁਝਾਅ: ਆਪਣੇ ਸੰਪਾਦਕ/CLI ਟੂਲ ਵਿੱਚ ਇੱਕ ਪ੍ਰੋਜੈਕਟ-ਵਿਸ਼ੇਸ਼ "ਅਣਡਿੱਠ" ਸੂਚੀ (ਉਦਾਹਰਨ ਲਈ .env, ਲੁਕਵੇਂ ਫੋਲਡਰ, ਪਛਾਣ ਫਾਈਲਾਂ) ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ ਤਾਂ ਕਿ ਇਹ ਫਾਈਲਾਂ ਅਚਾਨਕ ਸਹਾਇਕ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਸ਼ਾਮਲ ਨਾ ਹੋਣ। ਰੋਕਥਾਮ ਹਮੇਸ਼ਾ ਸਫਾਈ ਨਾਲੋਂ ਸਸਤਾ ਹੁੰਦੀ ਹੈ।
ਆਮ ਗਲਤੀਆਂ
- ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਨੂੰ "ਸਿਰਫ਼ ਇੱਕ ਵਾਰ" ਪੇਸਟ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਤਾਕੀਦ ਲਾਲ ਲਾਈਨ ਨੂੰ ਮੁਅੱਤਲ ਨਹੀਂ ਕਰਦੀ; ਸਭ ਤੋਂ ਆਮ ਲੀਕ ਇੱਥੇ ਹੁੰਦੀ ਹੈ।
- ਇਹ ਸੋਚ ਕੇ "ਮੈਂ ਗੱਲਬਾਤ ਨੂੰ ਮਿਟਾ ਦੇਵਾਂਗਾ"। ਪਲ ਡਾਟਾ ਨੈੱਟਵਰਕ ਛੱਡਦਾ ਹੈ, ਖਤਰਾ ਪੈਦਾ ਹੁੰਦਾ ਹੈ; ਮਿਟਾਉਣ ਨਾਲ ਇਸਨੂੰ ਅਣਡੂ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
- ਵਾਹਨ ਦੀ ਸ਼੍ਰੇਣੀ ਨੂੰ ਵੇਖੇ ਬਿਨਾਂ ਚੁਣਨਾ. ਇੱਕ ਨਿੱਜੀ ਖਾਤੇ ਦੇ ਨਾਲ ਗੁਪਤ ਕਾਰਪੋਰੇਟ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨਾ ਇੱਕ ਗੰਭੀਰ ਉਲੰਘਣਾ ਹੈ।
- ਆਉਟਪੁੱਟ ਨੂੰ ਸਕੈਨ ਨਹੀਂ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। AI ਕੋਡ ਵਿੱਚ ਇੱਕ ਅਟੱਲ ਰਾਜ਼ ਨੂੰ ਏਮਬੇਡ ਕਰ ਸਕਦਾ ਹੈ; ਗੁਪਤ ਸਕੈਨਰ ਨਾਲ ਉਤਪਾਦਨ ਦਾ ਮੁਆਇਨਾ ਵੀ ਕਰੋ।
- ਗੁਪਤ ਲੀਕ ਹੋਣ 'ਤੇ ਇਸ ਨੂੰ ਨਹੀਂ ਮੋੜਨਾ. ਲੀਕ ਕੀਤੀ ਕੁੰਜੀ ਨੂੰ ਰੱਦ ਨਾ ਕਰਨਾ ਲੀਕ ਨੂੰ ਲਾਈਵ ਸ਼ੋਸ਼ਣ ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ।
ਸੰਖੇਪ ਵਿੱਚ
ਸੌਫਟਵੇਅਰ ਵਿੱਚ AI ਦਾ ਸਭ ਤੋਂ ਵੱਡਾ ਖਤਰਾ ਗੋਪਨੀਯਤਾ ਲੀਕੇਜ ਹੈ, ਅਤੇ ਇਸਦਾ ਜ਼ਿਆਦਾਤਰ ਦਬਾਅ ਦੇ ਅਧੀਨ ਕੀਤੇ ਗਏ ਕਾਪੀ-ਪੇਸਟ ਫੈਸਲੇ ਤੋਂ ਪੈਦਾ ਹੁੰਦਾ ਹੈ। ਨਿਯਮ ਸਪੱਸ਼ਟ ਹੈ: ਭੇਦ, ਨਿੱਜੀ ਡੇਟਾ, ਗੁਪਤ ਵਪਾਰਕ ਸੰਪਤੀਆਂ ਅਤੇ ਨਿਯੰਤ੍ਰਿਤ ਡੇਟਾ ਗੈਰ-ਪ੍ਰਵਾਨਿਤ ਸਾਧਨਾਂ ਵਿੱਚ ਦਾਖਲ ਨਹੀਂ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਇਨਪੁਟ ਤੋਂ ਪਹਿਲਾਂ ਡੇਟਾ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰੋ, ਕਲਾਸ ਦੁਆਰਾ ਏਜੰਟ ਦੀ ਚੋਣ ਕਰੋ, ਭੇਦ ਕੱਢੋ, PII ਨੂੰ ਮਾਸਕ ਕਰੋ ਜਾਂ ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰੋ, ਸੰਦਰਭ ਨੂੰ ਘੱਟ ਕਰੋ, ਅਤੇ ਭੇਦ ਲਈ ਆਉਟਪੁੱਟ ਨੂੰ ਵੀ ਸਕੈਨ ਕਰੋ। ਜੇ ਕੋਈ ਲੀਕ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਸਭ ਤੋਂ ਪਹਿਲਾਂ: ਪ੍ਰਮਾਣ ਪੱਤਰ ਵਾਪਸ ਕਰੋ ਅਤੇ ਇਸਦੀ ਰਿਪੋਰਟ ਕਰੋ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਕੋਡ/ਲੌਗ/ਡਾਟਾ ਦਾ ਇੱਕ ਟੁਕੜਾ ਲਓ ਜੋ ਤੁਸੀਂ ਹਾਲ ਹੀ ਵਿੱਚ AI ਨੂੰ ਦਿੱਤਾ ਹੈ (ਜਾਂ ਦੇਣ ਬਾਰੇ ਵਿਚਾਰ ਕਰ ਰਹੇ ਹੋ)। ਪਹਿਲਾਂ, "ਮਾਸਕਿੰਗ ਚੈਕਲਿਸਟ" ਟੈਂਪਲੇਟ ਨਾਲ ਗੁਪਤ ਅਤੇ PII ਉਮੀਦਵਾਰਾਂ ਦੀ ਪਛਾਣ ਕਰੋ। ਫਿਰ, ਜੇਕਰ ਇਸ ਵਿੱਚ ਅਸਲ ਡੇਟਾ ਹੈ, ਤਾਂ "ਸਿੰਥੈਟਿਕ ਟੈਸਟ ਡੇਟਾ ਜਨਰੇਸ਼ਨ" ਟੈਂਪਲੇਟ ਦੇ ਸਮਾਨ ਇੱਕ ਸੰਸਕਰਣ ਤਿਆਰ ਕਰੋ ਪਰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬਣਾਇਆ ਗਿਆ ਹੈ, ਅਤੇ ਇਸ ਨਾਲ ਆਪਣੀ ਸਮੱਸਿਆ ਨੂੰ ਦੁਬਾਰਾ ਪੈਦਾ ਕਰਨ ਯੋਗ ਬਣਾਓ। ਅੰਤ ਵਿੱਚ, ਆਪਣੀ ਸੰਸਥਾ ਦੀ ਪ੍ਰਵਾਨਿਤ ਟੂਲ ਸੂਚੀ ਅਤੇ ਡੇਟਾ ਵਰਗੀਕਰਨ ਨੀਤੀ ਨੂੰ ਲੱਭੋ ਅਤੇ ਪੜ੍ਹੋ; ਨਹੀਂ ਤਾਂ, ਇਸ ਭੁੱਲ ਨੂੰ ਨੋਟ ਕਰੋ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਡੇਟਾ ਨੂੰ ਦਾਖਲ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਵਰਗੀਕ੍ਰਿਤ ਕਰਦਾ ਹਾਂ (ਖੁੱਲ੍ਹਾ/ਅੰਦਰੂਨੀ/ਗੁਪਤ/ਨਿਯਮ ਦੇ ਅਧੀਨ)।
- [ ] ਮੈਂ ਕਦੇ ਵੀ ਭੇਦ, PII ਅਤੇ ਗੁਪਤ ਵਪਾਰਕ ਸੰਪਤੀਆਂ ਨੂੰ ਗੈਰ-ਪ੍ਰਵਾਨਿਤ ਸਾਧਨਾਂ ਵਿੱਚ ਦਾਖਲ ਨਹੀਂ ਕਰਦਾ ਹਾਂ।
- ਜਦੋਂ ਵੀ ਸੰਭਵ ਹੋਵੇ ਅਸਲ ਡੇਟਾ ਦੀ ਬਜਾਏ ਮੈਂ ਮਾਸਕਿੰਗ ਜਾਂ ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹਾਂ।
- [ ] ਮੈਂ ਸੰਦਰਭ ਨੂੰ ਸਭ ਤੋਂ ਛੋਟੀ ਉਦਾਹਰਣ ਤੱਕ ਘਟਾਉਂਦਾ ਹਾਂ ਜਿਸ ਵਿੱਚ ਸੰਵੇਦਨਸ਼ੀਲ ਭਾਗ ਸ਼ਾਮਲ ਨਹੀਂ ਹੁੰਦੇ ਹਨ।
- [ ] ਮੈਂ ਹਾਰਡ ਬੁਰੀਡ ਸੀਕਰੇਟ ਲਈ AI ਆਉਟਪੁੱਟ ਨੂੰ ਸਕੈਨ ਕਰਦਾ ਹਾਂ।
- [ ] ਮੈਨੂੰ ਪਤਾ ਹੈ ਕਿ ਜੇਕਰ ਰਾਜ਼ ਲੀਕ ਹੋ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਮੈਂ ਤੁਰੰਤ ਪਛਾਣ ਜਾਣਕਾਰੀ ਵਾਪਸ ਕਰ ਦਿਆਂਗਾ ਅਤੇ ਘਟਨਾ ਦੀ ਰਿਪੋਰਟ ਕਰਾਂਗਾ।