An Agentic Workflow for Detecting Personally Identifiable Information in Crash Narratives
यह शोध पत्र एक स्थानीय रूप से तैनात करने योग्य, एजेंटिक वर्कफ़्लो प्रस्तुत करता है जो नियम-आधारित निष्कर्षण, फाइन-ट्यून किए गए लार्ज लैंग्वेज मॉडल्स और एक साक्ष्य-आधारित सत्यापन चरण को संयोजित करता है ताकि क्रैश नैरेटिव्स में व्यक्तिगत पहचान योग्य सूचना (PII) का सुदृढ़ और गोपनीयता-संरक्षित पता लगाया जा सके, जिससे व्यक्तिगत गोपनीयता की रक्षा करते हुए स्केलेबल ट्रैफिक सुरक्षा विश्लेषण सक्षम हो सके।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आपके पास पुलिस दुर्घटना रिपोर्ट का एक विशाल पुस्तकालय है। ये रिपोर्ट सुरक्षा विशेषज्ञों के लिए खजाने की तरह हैं क्योंकि वे बताते हैं कि वास्तव में क्या हुआ था—दुर्घटना क्यों हुई, इसमें कौन शामिल था और मौसम कैसा था। इस "कहानी" वाले हिस्से को क्रैश नैरेटिव (crash narrative) कहा जाता है।
हालाँकि, एक बड़ी समस्या है: इन कहानियों में अनजाने में निजी रहस्य शामिल हो सकते हैं, जैसे किसी व्यक्ति का घर का पता, फ़ोन नंबर या लाइसेंस प्लेट। यदि आप इन कहानियों को शोधकर्ताओं के साथ साझा करना चाहते हैं ताकि सड़कें अधिक सुरक्षित बनाई जा सकें, तो आपको पहले इन रहस्यों को हटाना होगा। इसे PII (व्यक्तिगत पहचान योग्य जानकारी) हटाना कहा जाता है।
इसे हाथ से करना असंभव है क्योंकि रिपोर्ट बहुत अधिक हैं। पुराने जमाने के कंप्यूटर नियमों के साथ करना घास के ढेर में सुई खोजने के लिए ऐसे चुंबक का उपयोग करने जैसा है जो केवल लोहे को ही पकड़ पाता है; यह उन सुइयों को छोड़ देता है जो घास जैसी दिखती हैं।
यह पेपर इस समस्या को हल करने के लिए एक नया, स्मार्ट सिस्टम पेश करता है जिसे एजेंटिक वर्कफ़्लो (Agentic Workflow) कहा जाता है। इसे केवल एक रोबोट के रूप में नहीं, बल्कि एक स्थानीय कार्यालय (ताकि डेटा इमारत से बाहर न जाए, जिससे सुरक्षा बनी रहे) में मिलकर काम करने वाली एक विशेषज्ञ जासूसी टीम के रूप में समझें।
यहाँ टीम के काम करने का तरीका, सरल चरणों में दिया गया है:
1. "नियमों का पालन करने वाला" (हाइब्रिड एक्सट्रैक्टर - भाग A)
सबसे पहले, टीम के पास एक ऐसा सदस्य है जो उन चीजों को पहचानने में माहिर है जो हर बार बिल्कुल एक जैसी दिखती हैं।
- काम: फ़ोन नंबर और ईमेल पते ढूँढना।
- उपमा: एक क्लब के बाउंसर की कल्पना करें जो केवल उन लोगों को अंदर आने देता है जिन्होंने एक विशिष्ट लाल टोपी पहनी हो। यदि टेक्स्ट एक फ़ोन नंबर जैसा दिखता है (जैसे,
555-0199), तो यह बाउंसर तुरंत उसे टैग कर देता है। यह तेज़, सख्त है और कभी भ्रमित नहीं होता क्योंकि फ़ोन नंबर हमेशा एक पैटर्न का पालन करते हैं। - टूल: वे इसके लिए Presidio नामक टूल का उपयोग करते हैं।
2. "संदर्भ का जासूस" (हाइब्रिड एक्सट्रैक्टर - भाग B)
अगला, टीम के पास एक अधिक स्मार्ट, अधिक रचनात्मक जासूस है जो शब्दों के बीच के अर्थ को पढ़ सकता है।
- काम: नाम, घर का पता और आईडी नंबर ढूँढना।
- उपमा: यह जासूस एक अनुभवी लाइब्रेरियन की तरह है। वे जानते हैं कि "140वीं स्ट्रीट" एक व्यक्ति का घर (PII) हो सकता है या केवल उस सड़क का नाम हो सकता है जहाँ दुर्घटना हुई थी (PII नहीं)। एक साधारण नियम अंतर नहीं कर सकता, लेकिन यह जासूस पूरी कहानी को समझने के लिए पूरा वाक्य पढ़ता है।
- टूल: वे एक फाइन-ट्यून्ड एआई (Fine-Tuned AI) (एक ऐसा दिमाग जिसे विशेष रूप से दुर्घटना रिपोर्टों पर प्रशिक्षित किया गया है) का उपयोग करते हैं।
3. "दूसरी राय" (वेरिफायर/सत्यापनकर्ता)
कभी-कभी, सबसे अच्छे जासूस भी गलतियाँ कर देते हैं, खासकर पते जैसी पेचीदा चीजों के मामले में। इसलिए, टीम के पास एक वेरिफायर (Verifier) है।
- काम: पेचीदा खोजों की दोबारा जाँच करना।
- उपमा: कल्पना करें कि संदर्भ जासूस कहता है, "मुझे लगता है कि यह घर का पता है!" वेरिफायर हस्तक्षेप करता है और कहता है, "मुझे सबूत दिखाओ।" वेरिफायर टेक्स्ट को देखता है और पूछता है, "क्या कहानी कहती है कि यह वह जगह है जहाँ व्यक्ति रहता है, या केवल वह जगह जहाँ कार दुर्घटनाग्रस्त हुई थी?" यदि जासूस यह साबित नहीं कर पाता कि यह एक घर है, तो वेरिफायर इसे काट देता है।
- जादू: यह चरण सिस्टम को सामान्य सड़क के नामों को गलती से छिपाने से रोकता है जो केवल पतों की तरह दिखते हैं।
4. "क्राउडसोर्सिंग" का तरीका (एन्सेम्बल लर्निंग)
यह सुनिश्चित करने के लिए कि वे कुछ भी न चूकें, संदर्भ जासूस केवल एक बार कहानी को नहीं देखता है। वे इसे पाँच बार देखते हैं, जैसे किसी छिपी हुई वस्तु को खोजने के लिए पाँच अलग-अलग लोगों से पूछना।
- उपमा: यदि आप एक व्यक्ति को किताब में एक विशिष्ट शब्द खोजने के लिए कहते हैं, तो वे उसे मिस कर सकते हैं। यदि आप पाँच लोगों से पूछते हैं, तो आपके द्वारा कुछ पकड़ लेने की संभावना बहुत अधिक होती है। सिस्टम सभी पाँच सूचियों को मिलाकर संभावित रहस्यों की एक "मास्टर लिस्ट" बनाता है और फिर उसे वेरिफायर को भेजता है।
यह एक बड़ी बात क्यों है?
- गोपनीयता सर्वोपरि: पूरी टीम स्थानीय रूप से (locally) काम करती है (संगठन के अपने कंप्यूटरों पर)। वे संवेदनशील दुर्घटना कहानियों को क्लाउड या किसी बड़ी टेक कंपनी को नहीं भेजते हैं। यह एक सार्वजनिक चौक के बजाय एक बंद कमरे में काम करने जैसा है।
- बेहतर सटीकता: पुराने तरीके या तो बहुत सख्त थे (असली रहस्यों को छोड़ रहे थे) या बहुत ढीले (उन चीजों को छिपा रहे थे जो रहस्य नहीं थे)। यह टीम दोनों के बीच संतुलन बनाती है। उन्होंने वास्तविक रहस्यों का 94% (रिकॉल) पाया जबकि गलतियाँ कम रखीं (प्रिसिजन)।
- स्केलेबल (Scalable): यह हजारों रिपोर्टों को स्वचालित रूप से प्रोसेस कर सकता है, जिससे गोपनीयता कानूनों का उल्लंघन किए बिना सुरक्षा अनुसंधान के लिए इस मूल्यवान डेटा का उपयोग करना संभव हो जाता है।
संक्षेप में: लेखकों ने एक स्मार्ट, स्थानीय, बहु-चरणीय जासूसी दल बनाया है। टीम का एक हिस्सा स्पष्ट रहस्यों के लिए सख्त नियमों का उपयोग करता है, दूसरा पेचीदा संदर्भ के लिए एक स्मार्ट AI का उपयोग करता है, और तीसरा हिस्सा यह सुनिश्चित करने के लिए काम की दोबारा जाँच करता है कि कोई निजी जानकारी निकल न जाए और कोई निर्दोष शब्द हटाया न जाए। यह हमारे लोगों की गोपनीयता को उजागर किए बिना शोधकर्ताओं को दुर्घटना की कहानियों का अध्ययन करने की अनुमति देकर हमारी सड़कों को सुरक्षित बनाता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।