Privacy-Preserving Customer Support: A Framework for Secure and Scalable Interactions

要約

顧客サポートにおける人工知能 (AI) への依存の高まりにより、業務効率とユーザー エクスペリエンスが大幅に向上しました。
ただし、従来の機械学習 (ML) アプローチでは、機密データセットに関する広範なローカル トレーニングが必要であり、重大なプライバシー リスクと、一般データ保護規則 (GDPR) やカリフォルニア州消費者プライバシー法 (CCPA) などの規制へのコンプライアンスの課題が生じます。
匿名化、差分プライバシー、フェデレーテッド ラーニングなどの既存のプライバシー保護技術は、いくつかの懸念事項に対処していますが、実用性、拡張性、複雑さの点で限界に直面しています。
このペーパーでは、ゼロショット学習モードで大規模言語モデル (LLM) を活用する新しいアプローチであるプライバシー保護ゼロショット学習 (PP-ZSL) フレームワークを紹介します。
従来の ML 手法とは異なり、PP-ZSL は、事前トレーニングされた LLM を利用して応答を直接生成することにより、機密データに対するローカル トレーニングの必要性を排除します。
このフレームワークには、機密情報を編集またはマスクするためのリアルタイム データ匿名化、ドメイン固有のクエリ解決のための検索拡張生成 (RAG)、および規制基準への準拠を保証するための堅牢な後処理が組み込まれています。
この組み合わせにより、プライバシー リスクが軽減され、コンプライアンスが簡素化され、拡張性と運用効率が向上します。
実証分析により、PP-ZSL フレームワークは、AI 主導のカスタマー サポート システムの導入にかかるコストと複雑さを大幅に軽減しながら、正確でプライバシーに準拠した応答を提供できることが実証されています。
この調査では、金融サービス、ヘルスケア、電子商取引、法的サポート、電気通信、政府サービスなど、業界全体にわたる潜在的なアプリケーションに焦点を当てています。
このフレームワークは、プライバシーとパフォーマンスという 2 つの課題に対処することで、顧客とのやり取りにおける安全かつ効率的で規制に準拠した AI アプリケーションの基盤を確立します。

要約(オリジナル)

The growing reliance on artificial intelligence (AI) in customer support has significantly improved operational efficiency and user experience. However, traditional machine learning (ML) approaches, which require extensive local training on sensitive datasets, pose substantial privacy risks and compliance challenges with regulations like the General Data Protection Regulation (GDPR) and California Consumer Privacy Act (CCPA). Existing privacy-preserving techniques, such as anonymization, differential privacy, and federated learning, address some concerns but face limitations in utility, scalability, and complexity. This paper introduces the Privacy-Preserving Zero-Shot Learning (PP-ZSL) framework, a novel approach leveraging large language models (LLMs) in a zero-shot learning mode. Unlike conventional ML methods, PP-ZSL eliminates the need for local training on sensitive data by utilizing pre-trained LLMs to generate responses directly. The framework incorporates real-time data anonymization to redact or mask sensitive information, retrieval-augmented generation (RAG) for domain-specific query resolution, and robust post-processing to ensure compliance with regulatory standards. This combination reduces privacy risks, simplifies compliance, and enhances scalability and operational efficiency. Empirical analysis demonstrates that the PP-ZSL framework provides accurate, privacy-compliant responses while significantly lowering the costs and complexities of deploying AI-driven customer support systems. The study highlights potential applications across industries, including financial services, healthcare, e-commerce, legal support, telecommunications, and government services. By addressing the dual challenges of privacy and performance, this framework establishes a foundation for secure, efficient, and regulatory-compliant AI applications in customer interactions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google