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:
| Etkinlik | Nerede gerçekleşir |
|---|---|
| Verileri içe aktarma ve profilleme | Bilgisayarınızda. |
| Eğitim ve değerlendirme | Bilgisayarınızdaki ML worker'ında. |
| Modeli sunma | 127.0.0.1 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:
cliente_id email curp saldo_prom pedidos_pagados baja
••• ••• ••• 1 840.50 12 0
••• ••• ••• 312.00 2 1Ayrıca 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:
| Doğrulayıcı | Tespit eder |
|---|---|
| Kartlar | Ödeme kartı numaraları. |
| IBAN | Uluslararası banka hesapları. |
| CLABE | Meksika banka hesapları. |
| CPF | Brezilya vergi kimliği. |
| CURP / RFC | Meksika 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:
| Önlem | Etki |
|---|---|
HF_HUB_OFFLINE | Hugging Face kütüphaneleri hiçbir şey indirmez. |
PIP_NO_INDEX | pip 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:
# yuli-ml.yaml
policies:
allowNetwork: true # örneğin, katalogdan bir temel model indirmek içinallowNetwork 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).»
Ayrıca bkz. Derin öğrenme ve GPU ve Güvenlik.