Key points are not available for this paper at this time.
Les modèles de langage à grande échelle (LLMs) ont transformé le traitement du langage naturel (NLP) en permettant une génération et une compréhension de texte robustes. Cependant, leur déploiement dans des domaines sensibles tels que la santé, la finance et les services juridiques soulève des préoccupations critiques concernant la vie privée et la sécurité des données. Cet article propose un cadre complet pour intégrer des mécanismes de confiance dans les LLMs afin de contrôler dynamiquement la divulgation d'informations sensibles. Le cadre intègre trois composants clés : le profilage de confiance des utilisateurs, la détection de la sensibilité de l'information et le contrôle adaptatif de la sortie. En s'appuyant sur des techniques telles que le contrôle d'accès basé sur les rôles (RBAC), le contrôle d'accès basé sur les attributs (ABAC), la reconnaissance des entités nommées (NER), l'analyse contextuelle et des méthodes préservant la vie privée comme la confidentialité différentielle, le système garantit que les informations sensibles sont divulguées de manière appropriée en fonction du niveau de confiance de l'utilisateur. En se concentrant sur l'équilibre entre l'utilité des données et la vie privée, la solution proposée offre une approche novatrice pour déployer de manière sécurisée les LLMs dans des environnements à haut risque. Les travaux futurs se concentreront sur l'évaluation de ce cadre dans divers domaines pour tester son efficacité dans la gestion des données sensibles tout en maintenant l'efficacité du système.
Feretzakis et al. (Fri,) ont étudié cette question.