Einstein Trust Layer: Ontworpen voor Trust
De Einstein Trust Layer is een verzameling voorzieningen, processen en beleidsvormen die zijn ontworpen om de privacy van gegevens te waarborgen, de nauwkeurigheid van AI te verbeteren en verantwoord gebruik van AI binnen het Salesforce-ecosysteem te bevorderen.
Vereiste editions
| Beschikbaar in: Enterprise, Performance en Unlimited Edition met een uitbreiding Einstein for Sales, Einstein for Platform, Einstein for Service, Einstein 1 Service of Einstein GPT Service. Neem voor het aanschaffen van uitbreidingen contact op met uw Salesforce Account Executive. |
Laten we voor inzicht in de manier waarop de Einstein Trust Layer werkt, eens kijken hoe gegevens door de Trust Layer stromen en vervolgens elk deel van de journey in detail doorlopen.
- De gegevens in de vorm van een aanwijzing stromen vanuit CRM-apps, via de Einstein Trust Layer, naar het grote taalmodel (LLM), dat we prompt journey noemen.
- De LLM genereert een respons met behulp van de aanwijzing, die we responsgeneratie noemen.
- De gegenereerde respons stroomt vervolgens terug via de Einstein Trust Layer en terug naar de CRM-apps, wat we de responsjourney noemen.
Hoe werkt het?
Promptjourney
Als u een respons wilt genereren vanuit de LLM, moet u deze voorzien van een aanwijzing. De aanwijzing kan afkomstig zijn van een van de CRM-apps. U kunt een aanwijzing maken in Aanwijzingensamensteller en deze aanroepen vanuit Apex of een stroom.
Gegevens ophalen en aarden beveiligen
De eerste stap in de Trust Layer is het veilig ophalen van gegevens. Om de LLM een respons te laten genereren die relevanter en persoonlijker is, vereist deze extra context van uw CRM-gegevens. Dit proces van het toevoegen van extra context aan de aanwijzing noemen we aarding. U kunt uw aanwijzingen gronden met behulp van samenvoegvelden met CRM-gegevens. Dit kunnen recordvelden, stromen, Apex, Data 360-DMO's en gerelateerde lijsten zijn.
Veilig ophalen van gegevens betekent dat de aanwijzing alleen is geaard met gegevens waartoe de uitvoerende gebruiker toegang heeft.
Het proces voor het ophalen van gegevens houdt rekening met bestaande toegangselementen en machtigingen in Salesforce:
- Gegevens ophalen voor het aarden van de aanwijzing is gebaseerd op de machtigingen van de gebruiker die de aanwijzing uitvoert.
- Gegevens ophalen voor het aarden van de aanwijzing behoudt alle standaard op rollen gebaseerde Salesforce-besturingselementen voor gebruikersmachtigingen en beveiliging op veldniveau bij het aarden van gegevens vanuit uw CRM-exemplaar.
De aarding is dynamisch omdat de aarding plaatsvindt tijdens run-time en afhankelijk is van de toegang van de gebruiker.
Gegevens maskeren voor de LLM
Einstein Trust Layer-beleidsvormen omvatten het maskeren van gegevens, waarbij gevoelige gegevens worden gedetecteerd en vervolgens gemaskeerd. We identificeren gevoelige gegevens met behulp van twee methoden:
- Op patroon gebaseerd: We gebruiken patronen en context om gevoelige gegevens in de aanwijzingstekst te identificeren. We gebruiken met name reguliere expressies (regex) patronen en contextwoorden. We gebruiken ook machine learning-modellen die zijn getraind om gegevens te identificeren die geen gedefinieerd patroon hebben, zoals namen van mensen of bedrijven.
- Op veld gebaseerd: We gebruiken de metagegevens in de velden die zijn geclassificeerd met behulp van Shield Platform Encryption of gegevensclassificatie om gevoelige velden te identificeren. Hiermee wordt de classificatie die u al hebt toegepast op uw gegevens in uw organisatie, uitgebreid naar LLM-gegevensmaskering.
Eenmaal geïdentificeerd, worden de gegevens vervolgens gemaskeerd met een plaatshoudertekst om te voorkomen dat de gegevens worden blootgesteld aan externe modellen. Einstein Trust Layer slaat tijdelijk de relatie op tussen de oorspronkelijke entiteiten en hun respectieve plaatshouders. De relatie wordt later gebruikt om de gegevens in de gegenereerde respons te ontmaskeren.
Promptverdediging
Om de kans te verkleinen dat de LLM iets onbedoelds of schadelijks genereert, gebruiken Aanwijzingensamensteller en API voor Aanwijzingensjabloon Connect systeembeleid. Systeembeleid is een set instructies aan de LLM voor hoe zich op een bepaalde manier te gedragen om Trust met gebruikers op te bouwen. Zo kunnen we de LLM instrueren om geen inhoud aan te pakken of antwoorden te genereren waarover deze geen informatie heeft. Systeembeleid is een manier om te beschermen tegen jailbreaking en prompte injectieaanvallen.
Genereren van respons
Nadat een aanwijzing volledig is gehydrateerd en beveiligd, is deze gereed om door de LLM-gateway te worden verzonden. De gateway regelt interacties met verschillende modelleveranciers en vertegenwoordigt een gecombineerde, veilige manier om met meerdere LLM's te communiceren. De gateway- en modelleveranciers gebruiken TLS-encryptie om ervoor te zorgen dat de gegevens worden beveiligd tijdens transport.
Modellen die door Salesforce zijn samengesteld of verfijnd, worden gehost in de Salesforce Trust grens. Externe modellen die worden samengesteld en onderhouden door externe aanbieders, zoals OpenAI, bevinden zich in een gedeelde Trust grens. Modellen die u samenstelt en onderhoudt, worden gehost op uw infrastructuur.
We hanteren een gegevensbewaarbeleid van nul met externe partnermodelleveranciers, zoals OpenAI of Azure OpenAI. Het beleid bepaalt dat gegevens die vanuit Salesforce naar de LLM worden verzonden, niet worden bewaard en worden verwijderd nadat een respons is teruggestuurd naar Salesforce.
Einstein Trust Layer: De responsjourney
Wanneer de gegenereerde respons wordt geretourneerd vanuit het grote taalmodel, past Einstein Trust Layer bepaalde beleidsvormen en processen toe om ervoor te zorgen dat de respons veilig en nuttig is. Zie Einstein Trust Layer: Responsjourney.
