Du er her:
LLM Data Masking (Tilgjengelig for ikke-Agentforce Generative AI)
Identifiserer og maskerer automatisk sensitive data (PII, PCI og så videre) i en ledetekst før de overføres til en ekstern stor språkmodell (LLM).
Navn på kontroll
Einstein Trust Layer - LLM Data Masking (tilgjengelig for ikkeAgentforce AI)
Oversikt over kontroll
Identifiserer og maskerer automatisk sensitive data (PII, PCI og så videre) i en ledetekst før de overføres til en ekstern stor språkmodell (LLM).
Beskrivelse
Bruker mønstersamsvar og maskinlæring til å erstatte sensitive enheter (for eksempel navn, e-post, kredittkortnumre) med plassholdere, som fjernes fra maskering bare etter at svaret returnerer til Salesforce.
Anbefalt konfigurasjon
Aktiver "LLM Data Masking" i Einstein Oppsett. Tilpass spesifikke maskeringspolicyer for alle relevante enheter (SSN, telefon, e-post) basert på personvern- og samsvarskravene dine.
Innvirkning på sikkerhet
Hindrer at sensitive data deles med LLM-leverandører for å støtte overholdelse av globale personvernforskrifter som GDPR og CCPA.
Forretningsinnvirkning
Aktiverer sikker tilpassing av generell AI for kunderettede og interne arbeidsflyter uten å risikere brudd på dataoppbevaring eller lekkasjer av intellektuell eiendom.
Sikkerhetsrisiko hvis ikke konfigurert
Ikke-maskerte sensitive data (PII/PHI) sendes til LLM-leverandøren (for eksempel OpenAI, Anthropic) i ren tekst, som potensielt bryter databehandlingsavtaler og organisasjonspolicyer.
Trusselscenarier
Datalekkasje: En bruker innebygger utilsiktet sensitive felt i ledeteksten.
Beregnet CVSS Score-område
Kritisk (9.0–10.0).
Viktige punkter om risikoinnvirkning
Risikoen er ekstrem for organisasjoner i regulerte sektorer (Økonomi, Helse) der sending av én enkelt ikke-maskerte post til en ekstern sky kan utløse et obligatorisk bruddvarsel.
Høyere risiko når
Generering AI-brukere innlemmer data fra sensitive felt (for eksempel PII/ PCI-data) i sine ledetekster i de fleste brukstilfeller.
Lav risiko når
Zero data retention (ZDR) håndheves teknisk med de eksterne LLM-leverandørene, eller intern driftsmodell brukes til å lære opp LLM utviklet av firmaet.
Viktige punkter om virksomheten og integrasjonen
Maskering kan av og til redusere kontekstpresisjonen til LLM-et hvis for mange data er skjult. Det kreves nøye testing av ledetekstmaler for å balansere sikkerhet og verktøy.
Veiledning for vurdering av sikkerhetstilstand
Sikkerhetstilstandsvurdering kontrollerer oppsettet av Einstein Trust Layer for å bekrefte at datamaskering er aktivert.
Hvem berøres
Datapersonvernansvarlige, AI-utviklere, administratorer og eventuelle brukere som bruker Ledetekstbygger eller Einstein Copilot.
