Du är här:
LLM-datamaskering (tillgänglig för Generativ AI som inte är Agentforce)
Identifierar och maskerar automatiskt känsliga data (PII, PCI och så vidare) inom en uppmaning innan de överförs till en extern Large Language Model (LLM).
Kontrollnamn
Einstein Trust Layer - LLM-datamaskering (tillgängligt för icke Agentforce gen AI)
Kontrollöversikt
Identifierar och maskerar automatiskt känsliga data (PII, PCI och så vidare) inom en uppmaning innan de överförs till en extern Large Language Model (LLM).
Beskrivning
Använder mönstermatchning och maskininlärning för att ersätta känsliga enheter (till exempel namn, e-postmeddelanden, kreditkortsnummer) med platshållare, som endast avmaskeras efter att svaret returneras till Salesforce.
Rekommenderad konfiguration
Aktivera "LLM-datamaskering" i Einstein Inställningar. Anpassa specifika maskeringspolicyer för alla relevanta enheter (SSN, telefon, e-post) baserat på dina krav på sekretess och efterlevnad.
Säkerhetspåverkan
Förhindrar att känsliga data delas med LLM-leverantörer för att stödja efterlevnad av globala sekretessföreskrifter som GDPR och CCPA.
Verksamhetspåverkan
Möjliggör säker användning av gen AI för kundriktade och interna arbetsflöden utan att riskera att data överträds eller att immateriella rättigheter läcker ut.
Säkerhetsrisk om den inte är konfigurerad
Omaskerade känsliga data (PII/PHI) skickas till LLM-leverantören (till exempel OpenAI, Anthropic) i klartext, vilket kan bryta mot databearbetningsavtal och organisationspolicyer.
Hotscenarier
Dataläckage: En användare införlivar av misstag känsliga fält i uppmaningen.
Uppskattat CVSS-betygintervall
Kritisk (9,0-10,0).
Att tänka på vad gäller riskpåverkan
Risken är extrem för organisationer i reglerade sektorer (ekonomi, hälsa) där att skicka en enskild omaskerad post till ett externt moln kan utlösa en obligatorisk överträdelsenotis.
Högre risk när
Gen AI-användare införlivar data från känsliga fält (till exempel PII/ PCI- data) i sina uppmaningar i de flesta användningsfallen.
Låg risk när
Noll datalagring (ZDR) tillämpas tekniskt med de externa LLM-leverantörerna, eller så används en internt värdbaserad modell för att utbilda LLM som utvecklats av ditt företag.
Att tänka på vad gäller affärer och integration
Maskering kan ibland minska den kontextuella precisionen för LLM om för mycket data döljs. Noggranna tester av uppmaningsmallar krävs för att balansera säkerhet och verktyg.
Vägledning för granskning av säkerhetshälsa
Säkerhetshälsogranskning granskar inställningarna för Einstein Trust Layer för att bekräfta att datamaskering har aktiverats.
Vem påverkas
Datasekretessansvariga, AI-utvecklare, administratörer och användare som använder funktioner i Promptbyggaren eller Einstein Copilot.
