Conteúdo do curso Lição 182 de 250 · Produzindo LLMs em produção: Custo, Caching e Guardrails
Produzindo LLMs em produção: Custo, Caching e Guardrails

Proteção de Redação de PII

Antes do texto do usuário chegar a um modelo, log ou tabela de análise, você deve remover informações de identificação pessoal (PII). Para um produto focado em privacidade, isso não é um ajuste opcional, é o portão que mantém e-mails, números de telefone e números de cartão fora de lugares onde eles nunca devem estar. A técnica é correspondência de padrões com expressões regulares, substituindo cada correspondência com um placeholder tipado.

Três padrões comuns te levam quase até o fim:

  • Email: algo como name@host.tld -> substitua por [EMAIL].
  • Phone: um número de 10 dígitos, possivelmente agrupado com espaços, traços, pontos ou um código de país inicial -> [PHONE].
  • Card: 16 dígitos em quatro grupos de quatro, separados por espaços ou traços opcionais -> [CARD].

Mascare o padrão mais longo e específico primeiro (o cartão de 16 dígitos) para que um padrão de telefone mais ganancioso não o consuma. Conforme você substitui, registre qual types você encontrou, para que os chamadores possam auditar o que foi limpo. Texto limpo retorna intocado com uma lista vazia.

import re
EMAIL = re.compile(r"\b[A-Za-z0-9._%+\-]+@[A-Za-z0-9.\-]+\.[A-Za-z]{2,}\b")

Você executaria isso no caminho de entrada de qualquer modelo. Por exemplo, antes de entregar texto para um motor no dispositivo, você faria safe, _ = redact(user_text) e enviaria safe, nunca a string bruta. A chamada do modelo em si é ilustrativa; o redator é a parte que você constrói e avalia. Conheça seus limites antes de confiar nele: padrões de dígitos produzem falsos positivos (um número de pedido como "#2026071234" parece um número de telefone) e perdem o que eles não descrevem (nomes, endereços de rua, números de conta escritos com espaços). Redação por Regex é uma primeira passagem barata; um sistema real adiciona um reconhecedor de entidades e, acima de tudo, envia ao modelo apenas os campos que a tarefa precisa.

Construa redact(text). Retorne uma tupla (masked_text, types) onde masked_text tem cada e-mail, telefone e cartão substituído por seu placeholder, e types é uma sorted lista dos tipos de entidade distintos encontrados (de "card", "email", "phone"). Texto limpo retorna inalterado com [].

Sua vez

Escreva redact(text) retornando (masked_text, types). Substitua cada e-mail por [EMAIL], número de telefone por [PHONE], e cartão de 16 dígitos por [CARD]; types é a lista ordenada de tipos distintos encontrados entre "card", "email", "phone". Uma string com um e-mail e um telefone retorna ambos mascarados e ['email', 'phone']; texto limpo volta inalterado com []; uma mistura de PII diferente gera um conjunto de tipos diferente.

Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição

Este exercício abre em breve

Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.