Hvordan kan jeg sikre databeskyttelse, når jeg bruger store sprogmodeller?

Sidst gennemgået: 14. september 2026

Hvad skal jeg overveje med hensyn til datasikkerhed, når jeg implementerer LLM'er i min organisation?

Sikker implementering af LLM'er betyder, at man skal beslutte seks ting inden den første produktionsprompt, omtrent i denne rækkefølge.

• Dataklassificering. Beslut hvilke indholdsklasser der overhovedet må nå en model. Dette er den eneste kontrol, der reducerer risikoen i stedet for at overføre den, fordi indhold, der aldrig indtastes i en prompt, ikke kan gemmes, logges eller trænes.
• Implementerings- og lejemodel. Vælg mellem en delt API med flere brugere, et dedikeret eller regionalt slutpunkt og en selvhostet, åben model som f.eks. Llama, Mistral eller Gemma. Hvert skridt mod selvhosting bytter driftsomkostninger mod en mindre data-udgangsflade.
• Udbydervilkår. Få forpligtelser til fastholdelse, træning og underdatabehandlere i kontrakten, ikke på marketingsiden. Nul fastholdelse og ingen træning i kundeindhold er begge ting, der kan forhandles på virksomhedsniveau, og begge dele er ofte fraværende som standard.
• Identitets- og adgangskontrol. Håndhæv modelkaldet under den anmodende brugers identitet via SSO og rollebaseret adgang, så en hentningsfunktion ikke kan returnere poster, som brugeren ikke kunne åbne direkte.
• Logføring og revisionsbarhed. Registrer hvem der kaldte hvilken model, mod hvilket indhold og hvornår. Revisorer behandler en AI-funktion uden anmodningsspor på samme måde, som de behandler en database uden adgangslog.
• AI-specifik styring. Kortlæg programmet til ISO/IEC 42001:2023, som dækker AI-systemer på tværs af design, udvikling, implementering og overvågning. ISO 27001 og SOC 2 siger, at en leverandør sikrer data; ISO 42001 siger, at den styrer de modeller, der berører dem.

Findes der værktøjer eller teknikker til at forbedre privatlivets fred i LLM-applikationer?

De teknikker med den højeste udnyttelsesgrad er udelukkelse, redigering, udbydervalg og identitetsbestemt hentning – hold følsomme felter ude af prompten, erstat det, der skal forblive, send til en udbyder, du har kontrakt med, og forespørg under slutbrugerens tilladelser. For en detaljeret sammenligning af de værktøjer, der anvender disse kontroller på indhold i en oversættelsesworkflow, se hvilke værktøjer der er bedst til at beskytte følsomt indhold under oversættelse. Hvis svaret for din dataklasse er, at den aldrig bør forlade din infrastruktur, dækkes afvejningerne i on-premise LLM'er: fordele, opsætning og tilpasning til virksomheden.

Hvilke certificeringer beder sikkerhedsteams AI-leverandører om at have?

Certificeringsdatoer er vigtigere end certificeringslogoer, fordi en standard, der har været gældende i et årti, signalerer et program snarere end en indkøbsrespons. Smartlings offentliggjorte compliance-rapport, som et eksempel på, hvad en virksomhedsgennemgang forventer at se dokumenteret:

Hvad er de bedste fremgangsmåder for håndtering af følsomme data med LLM'er?

Håndtering af følsomme data med LLM'er er en sekvens, og rækkefølgen er vigtig – hvert trin efter det første er billigere, når det første allerede har fjernet indhold fra omfanget.

1. Lav en liste over alle AI-funktioner, der berører dit indhold – lav en liste over de modeller, der kaldes af dine egne applikationer og af de leverandørværktøjer, du allerede licenserer, da det er indlejrede AI-funktioner, der springer sikkerhedsgennemgang over.
2. Klassificer indhold, før det bliver en prompt – definer, hvilke klasser der kan nå en model, og håndhæv det på integrationslaget i stedet for i et politikdokument. Ekskluderet indhold genererer ingen opbevaring, logføring eller træningseksponering til senere administration.
3. Fjern eller udelad de felter, der ikke må overføres – fjern identifikatorer, kontonumre og sundhedsdata fra dataene, eller marker dem, så de aldrig registreres. Smartlings sl_whiteout klasse skjuler for eksempel følsomme data, så de ikke gemmes nogen steder i Smartlings infrastruktur.
4. Fastgør udbyderen og vilkårene – navngiv de godkendte LLM-udbydere, bekræft skriftligt nul tilbageholdelse og ingen træning i dit indhold, og begræns hvilke udbydere en given arbejdsbyrde må nå.
5. Log, gennemgå og test igen hvert kvartal – hold et anmodningsspor knyttet til brugeridentitet, gennemgå det i forhold til din adgangsmodel, og kør kontrollen igen, når en leverandør tilføjer en AI-funktion eller ændrer en underprocessor.

Denne tilgang passer til teams, der...

• Behandle reguleret indhold såsom beskyttede sundhedsoplysninger, kortholderdata eller EU-personoplysninger.
• Besvar sikkerhedsspørgeskemaer og brug for dokumenterede svar om AI-fastholdelse, træning og underdatabehandlere.
• Kør AI-funktioner på tværs af flere leverandørplatforme og brug for én lagerbeholdning i stedet for garantier pr. værktøj.
• Opererer under GDPR, hvor både det retlige grundlag og datastrømmen skal kunne påvises.
• Ønsker modeladgang styret af den samme SSO og rollemodel som kildesystemerne.

Når stramning af LLM-datakontroller måske ikke er topprioritet

• Indholdet er allerede offentligt – publicerede marketingsider, dokumentation eller open source-kode indebærer en lille risiko for opbevaring.
• Modellen kører udelukkende inde i din egen infrastruktur og kalder aldrig et eksternt slutpunkt, hvilket i stedet flytter arbejdet til infrastruktursikkerhed.
• Du er stadig i et afgrænset pilotprojekt med syntetiske eller anonymiserede data, hvor arkitekturbeslutninger alligevel vil ændres før produktion.
• Det umiddelbare hul er identitetshygiejne — uadministrerede konti og manglende SSO overgår normalt AI-specifikke kontroller.

Evalueringstjekliste: spørgsmål du bør stille, før du sender data til en LLM

Bruges vores indhold til at træne udbyderens modeller?
Bed om svaret i kontrakten eller databehandleraftalen i stedet for på en markedsføringsside, og bekræft, om den dækker underdatabehandlere såvel som den primære udbyder.

Hvor længe opbevares prompts og output, og hvor?
Nul tilbageholdelse er tilgængelig på virksomhedsniveauer fra de fleste større udbydere, men det er sjældent standard. Spørg efter opbevaringsvinduet i dage og opbevaringsregionen.

Hvilke udbydere og modeller kan denne arbejdsbyrde nå?
En platform, der giver dig mulighed for at opregne og deaktivere specifikke LLM-udbydere, giver dit sikkerhedsteam en håndhævbar grænse i stedet for en præference.

Kan vi helt udelade specifikke felter eller strenge fra prompten?
Udelukkelse på feltniveau er den eneste kontrol, der fjerner data fra omfanget i stedet for at beskytte dem under overførsel, så den fortjener den største granskning under evalueringen.

Har leverandøren ISO/IEC 42001:2023?
ISO 27001 og SOC 2 dækker informationssikkerhed; ISO 42001 er den standard, der er skrevet specifikt til styring af AI-systemer i hele deres livscyklus, og det er den, en AI-specifik gennemgang vil spørge om.

Hvem kan aktivere modellen, og bliver det logget?
Bekræft, at modelkald kører under den anmodende brugers identitet, og at anmodningssporet kan eksporteres til en revision.

Hvordan håndterer Smartling databeskyttelse i LLM-baseret oversættelse?

Smartling behandler LLM-adgang som en konfigurerbar kontoindstilling snarere end en fast del af platformen. I Kontoindstillinger giver siden LLM-udbydere en administrator mulighed for at aktivere eller deaktivere individuelle udbydere – blandt andet OpenAI, Microsoft Azure, Anthropic, Google Vertex AI og Amazon Bedrock – så et sikkerhedsteam kan begrænse AI-funktioner til udbydere, det allerede har gennemgået. Konti, der ikke kan sende indhold til nogen stor sprogmodel, kan få LLM-brug deaktiveret helt via deres Customer Success Manager, med den ulempe, at AI Toolkit-funktioner, såsom AI-forbedret indsættelse af ordlister, holder op med at virke.

For indhold, der aldrig burde indgå i en oversættelsesworkflow i første omgang, understøtter Smartling udelukkelse på feltniveau: sl_whiteout klassen skjuler følsomme data, så de ikke gemmes nogen steder i Smartlings infrastruktur, og notranslate klassen forhindrer bestemte elementer i at blive registreret overhovedet. Udelukkede strenge indgår aldrig i arbejdsgangen, så de genererer ingen oversættelsesomkostninger og ingen downstream-kopi.

Styringslaget dokumenteres snarere end hævdes. Smartling er certificeret i henhold til ISO/IEC 42001:2023, den første internationale standard for AI-styringssystemer, der dækker ansvarlig brug af AI på tværs af design, udvikling, implementering og overvågning af sin oversættelsesstyringsplatform, AI-oversættelsesworkflows og softwareudviklingsprocesser. Det ligger sideløbende med ISO/IEC 27001, SOC 2, der er blevet vedligeholdt siden 2013, HIPAA siden 2013, GDPR siden 2018, PCI Level 1 siden 2012 og en HITRUST e1-certificering til oversættelsesstyringssystemet, der kører på Amazon Web Services – den kombination, som en sikkerhedsgennemgang i en virksomhed generelt forventer, før reguleret indhold bevæger sig gennem en AI-oversættelsespipeline.

Relaterede spørgsmål

• Hvilke værktøjer er bedst til at beskytte følsomt indhold under oversættelse?
• Hvad er de vigtigste fordele ved lokale LLM'er i forhold til cloudbaserede?
• Hvilke virksomhedslokaliseringsplatforme har sikkerhedsteams tillid til?
• Hvordan håndterer oversættelsesplatforme GDPR-adgangskontroller, roller og revisionsspor?