breadcrumbDescription
LLM datamaskering (tilgængelig for ikke-Agentforce Generative AI)
Identificerer og maskerer automatisk følsomme data (PII, PCI osv.) i en meddelelse, før de overføres til en ekstern LLM (Large Language Model).
Kontrolnavn
Trustaskering (tilgængelig for Agentforce
Kontroller oversigt
Identificerer og maskerer automatisk følsomme data (PII, PCI osv.) i en meddelelse, før de overføres til en ekstern LLM (Large Language Model).
Beskrivelse
Bruger mønstermatchning og maskinlæring til at erstatte følsomme enheder (f.eks. navne, mails, kreditkortnumre) med pladsholdere, som kun fjernes, når svaret vender tilbage til Salesforce.
Anbefalet konfiguration
Aktiver "LLM Data Masking" i Einstein Opsætning. Tilpas specifikke maskeringspolitikker for alle relevante enheder (SSN, telefon, mail) baseret på dine fortroligheds- og compliancekrav.
Sikkerhedspåvirkning
Forhindrer følsomme data i at blive delt med LLM-udbydere for at understøtte overholdelse af globale fortrolighedsbestemmelser som GDPR og CCPA.
Forretningspåvirkning
Aktiverer den sikre indføring af generel AI for kundeorienterede og interne arbejdsflows uden at risikere overtrædelser af dataplacering eller lækager af immateriel ejendom.
Sikkerhedsrisiko, hvis den ikke er konfigureret
Ikke-maskerede følsomme data (PII/PHI) sendes til LLM-udbyderen (f.eks. OpenAI, Anthropic) i almindelig tekst, hvilket potentielt overtræder databehandlingsaftaler og organisatoriske politikker.
Trusselscenarier
Datalækage: En bruger integrerer utilsigtet følsomme felter i meddelelsen.
Estimeret CVSS-scoringsinterval
Kritisk (9,0-10,0).
Overvejelser i forbindelse med risikopåvirkning
Risikoen er ekstrem for organisationer i regulerede sektorer (økonomi, sundhed), hvor afsendelse af en enkelt ikke-maskeret registrering til en ekstern cloud kan udløse en obligatorisk overtrædelsesadvisering.
Højere risiko når
Generer AI-brugere indarbejder data fra følsomme felter (f.eks. PII/ PCI-data) i deres meddelelser i de fleste anvendelsessituationer.
Lav risiko når
Zero-databevarelse (ZDR) håndhæves teknisk med de eksterne LLM-udbydere, eller intern hostet model bruges til at træne den LLM, der er udviklet af dit firma.
Overvejelser i forbindelse med forretning og integration
Maskering kan lejlighedsvist reducere den kontekstmæssige nøjagtighed af LLM, hvis for mange data er skjult. Omhyggelig test af meddelelsesskabeloner kræves for at afbalancere sikkerhed og hjælpeprogrammer.
Vejledning til sikkerhedstilstandsgennemgang
Sikkerhedstilstandscheck kontrollerer opsætningen af Einstein Trust Layer for at bekræfte, at datamaskering er aktiveret.
Hvem er påvirket
Datafortrolighedsmedarbejdere, AI-udviklere, administratorer og alle brugere, der bruger Promptkonstruktør eller Einstein Copilot.
