人工智能和大型语言模型 (LLM) 目前非常流行，我们很高兴宣布推出一个深思熟虑的架构，可以从 LLM 中受益，同时仍然保持严格的数据驻留合规性。就像全球报告提供全球见解一样，公司希望运行全球人工智能来分析数据趋势，并使分析师能够根据提示更深入地研究数据。
全球人工智能利用来自多个国家的匿名数据进行操作
使用现场级匿名化技术，来自多个国家/地区的 InCountry 金库的数据可以输入到单个全球法学硕士中。名字和姓氏等数据字段可以匿名，法学硕士随后会对匿名数据进行标记。然后，LLM 可以在全局数据集上执行，而 LLM 用户无法查看受监管的数据字段。
考虑一个医疗保健用例，其中全球人工智能检测来自多个国家的广泛数据集中的异常趋势。人工智能基于匿名患者数据进行操作，这些数据无法追溯到高度监管国家的个人。没有患者数据并不构成限制：对于大多数分析和见解，法学硕士不需要知道姓名和地址等信息。它需要了解血压、药物和健康结果等详细信息。
全球见解可以跨国家共享，因为它们不包含患者数据。例如，人工智能了解低血压和药物之间的意外不良反应。如果获得访问特定患者记录的适当授权，有关受影响患者的具体见解可以反馈给各个国家/地区的工作人员，并根据需要进行去匿名化。
本地人工智能使用本地数据进行操作
让法学硕士对详细的监管数据（例如健康或财务数据）进行操作有很多用例。然而，这种受到高度监管的数据通常无法导出到国外，即使数据是匿名的。
考虑一个金融服务用例，例如起草营销电子邮件活动，其中包含基于每个客户的投资组合的见解。法学硕士作为容器在一个国家/地区内完全部署，分析每个客户，并使用本地监管数据和外部非监管数据起草信件。
该容器部署到每个国家/地区，并直接集成来自每个国家/地区的 InCountry Vault 的数据。为了在每个国家/地区防止数据丢失，可以屏蔽输入 LLM 的数据，或者可以在履行职责后清除容器。
匿名化、数据隐私标记化和 LLM 标记化
需要考虑的一个有趣的方面是，当法学硕士对数据进行标记化时，为什么要对数据进行匿名化？首先，受监管的数据必须从来源国导出到法学硕士。此外，LLM对标记化的定义与数据隐私的定义有很大不同。对于法学硕士来说，令牌充当指向更大单元（例如单词）的指针，并且像字典一样，相同的令牌指向相同的单词并且可以轻松反转。在数据隐私定义中，令牌是不透明的，通常是指向原子值的一次性值。
因此，在 LLM 中，“Peter”始终标记为 322，但在数据隐私中，Peter Yared 记录中的 Peter 字段标记为 542355235，Peter Gabriel 记录中的 Peter 字段标记为 564322667。
在全球和本地使用人工智能来获取见解
虽然数据监管可能会使在全球数据集上部署人工智能变得更加麻烦，但 InCountry 的上述两种方法使得获得全球洞察并提供本地效益成为可能，同时保持受监管数据的完整数据驻留。