Belgeler / ML Studio

ML gizliliği ve sandbox

ML Studio'nun veri sınırı. Bilgisayarınızda ne kaldığı, ajanların ne gördüğü, maskeyi kimin kaldırdığı ve dışarıda eğitimden önce ne olduğu.

Bu sayfada

ML Studio'da iki farklı kitle vardır ve Yuli bunları ayırır: gerçek verilerle çalışan siz ve yerel modelleriniz ile yalnızca veri sınırından geçeni gören harici ajanlar.

Kodunuz bilgisayarınızda kalır; yerel bir modelle hiçbir şey dışarı çıkmaz; bulut modellerinde ise gönderilen her şey önce gizli bilgilerin ve kişisel verilerin maskelenmesinden geçer.

Bilgisayarınızda ne kalır

ML Studio'nun tamamı yerel olarak çalışır:

EtkinlikNerede gerçekleşir
Verileri içe aktarma ve profillemeBilgisayarınızda.
Eğitim ve değerlendirmeBilgisayarınızdaki ML worker'ında.
Modeli sunma127.0.0.1 üzerinde; yalnızca kendi makinenizde dinler.
Yerel LLM ve RAG (Bilgi)Bilgisayarınızda, ağ gerektirmeyen kendi embedding'leriyle.

Sizinle yapay zekânız arasında Yuli sunucuları yoktur. Tek istisna, açıkça sizin seçtiğinizdir: uzak bir makinede eğitim (aşağıya bakın).

Veri sınırı

Harici ajanlar (Claude Code, Codex, ACP ajanları veya sohbetin arkasındaki bir bulut modeli) okuduklarını sağlayıcılarına gönderir. Bu nedenle ML Studio'nun onlara verdiği her yanıt bir veri sınırından geçer:

  • Hassas sütunlar ••• olarak çıkar.
  • Serbest metinden e-posta adresleri, kartlar, telefonlar, CURP/RFC ve IP adresleri çıkarılır.
  • Toplu değerler geçer: profiller, metrikler ve değişken önemi. Bir ajan tek bir müşteriyi görmeden «hangi değişkenler daha ağır basıyor» üzerine akıl yürütebilir.

Bir ajanın örnek istediğinde gördüğüne bir örnek:

text
cliente_id  email   curp    saldo_prom  pedidos_pagados  baja
•••         •••     •••     1 840.50    12               0
•••         •••     •••       312.00     2               1

Ayrıca bir bulut modeliyle, sağlayıcıya gönderilenler çıkış filtresinden geçer: gizli bilgiler yuli:secret#N yer tutucusuyla, kişisel veriler ise yuli:pii#N yer tutucusuyla değiştirilir ve oturum başına bir HMAC etiketi eklenir. Yalnızca diske yazılırken geri yüklenirler. Bkz. Gizli bilgiler ve gizlilik.

Hassasiyet dedektörü

Veriler › Hassasiyet içinde her sütun bir olasılık, bir kategori ve önerilen bir maskeleme alır. Dedektör sütun adını, örüntüleri ve kontrol basamaklı doğrulayıcıları birleştirir:

DoğrulayıcıTespit eder
KartlarÖdeme kartı numaraları.
IBANUluslararası banka hesapları.
CLABEMeksika banka hesapları.
CPFBrezilya vergi kimliği.
CURP / RFCMeksika kişisel ve vergi kimliği.

Maskeyi kim kaldırır

Bir sütunu hassas değil olarak yalnızca bir insan işaretleyebilir. Bir ajan, bir ajan ekibinin içinde bile olsa, verilerin maskesini kendisi için asla kaldıramaz.

Sizin karar verdikleriniz:

  • Yuli'nin tespit etmediği bir sütunu Hassas olarak işaretle.
  • Yanlışlıkla tespit edilen bir sütunu Hassas değil olarak işaretle.
  • Veri kümesini paylaşmak için Maskelenmiş bir kopya oluştur.

Varsayılan olarak ağsız worker

Eğitimi yapan sürecin (ML worker'ı) varsayılan olarak ağı yoktur:

ÖnlemEtki
HF_HUB_OFFLINEHugging Face kütüphaneleri hiçbir şey indirmez.
PIP_NO_INDEXpip internetten paket kurmaz.
bwrap --unshare-net (Linux)Süreç ağ arayüzü olmadan çalışır.

Böylece bir eğitim betiği veya bir bağımlılık verilerinizi hiçbir yere gönderemez. Ağ yalnızca proje buna açıkça izin verirse açılır:

yaml
# yuli-ml.yaml
policies:
  allowNetwork: true   # örneğin, katalogdan bir temel model indirmek için

allowNetwork seçeneğini yalnızca gerektiği sürece (bir temel model veya bağımlılık indirmek için) açın ve ardından false değerine geri dönün.

Dışarıda eğitimden önce

Uzak bir makinede (SSH veya bulut) eğitim, ML verilerinin bilgisayarınızdan çıktığı tek yoldur ve asla uyarısız gerçekleşmez. Başlatmadan önce Yuli şunu gösterir:

«Veriler host'a çıkıyor: veri kümesi ve işin okuduğu kod yüklenir. Bitince Yuli modeli geri getirir, her dosyayı doğrular ve oradaki verileri siler (makine onları saklamıyorsa).»

4 adımdan 0 tamam