隐私保护客户支持：一个安全且可扩展的交互框架
机器学习
2025-01-03 v2 密码学与安全
应用统计
统计方法学
机器学习
摘要
人工智能（AI）在客户支持中日益增长的应用显著提升了运营效率和用户体验。然而，传统的机器学习（ML）方法需要在本地对敏感数据集进行大量训练，这带来了巨大的隐私风险，并面临《通用数据保护条例》（GDPR）和《加州消费者隐私法案》（CCPA）等法规的合规挑战。现有的隐私保护技术，如匿名化、差分隐私和联邦学习，虽然解决了一些问题，但在实用性、可扩展性和复杂性方面存在局限。本文介绍了隐私保护零样本学习（PP-ZSL）框架，这是一种利用大语言模型（LLM）以零样本学习模式运行的新颖方法。与传统 ML 方法不同，PP-ZSL 通过利用预训练的 LLM 直接生成响应，消除了在本地对敏感数据进行训练的需求。该框架集成了实时数据匿名化以编辑或掩盖敏感信息、用于特定领域查询解决的检索增强生成（RAG），以及确保符合监管标准的鲁棒后处理。这种组合降低了隐私风险，简化了合规性，并增强了可扩展性和运营效率。实证分析表明，PP-ZSL 框架能提供准确、符合隐私要求的响应，同时显著降低部署 AI 驱动的客户支持系统的成本和复杂性。本研究强调了该框架在金融服务、医疗保健、电子商务、法律支持、电信和政府服务等行业的潜在应用。通过应对隐私和性能的双重挑战，该框架为客户交互中安全、高效且符合监管要求的 AI 应用奠定了基础。
引用
@article{arxiv.2412.07687,
title = {Privacy-Preserving Customer Support: A Framework for Secure and Scalable Interactions},
author = {Anant Prakash Awasthi and Girdhar Gopal Agarwal and Chandraketu Singh and Rakshit Varma and Sanchit Sharma},
journal= {arXiv preprint arXiv:2412.07687},
year = {2025}
}