大多数企业客户一开始都会做出一个合理的假设：如果敏感数据被正确标记，人工智能系统就可以简单地遵循这些标签并确保安全。
问题在于，标签描述的是分类，而非内容。它们预先应用，依赖于人工或自动化的准确性，并且通常滞后于数据的实际使用方式。一旦文档被打开、复制、摘要或查询，仅凭标签就无法回答最重要的问题：
就此请求而言，这段文字目前是否包含敏感信息？
这正是 Gemini Enterprise 旨在解决的问题。
本文从客户的角度解释了即使 Purview 标签缺失、不完整或不可用，Gemini 如何在运行时检测敏感数据。
客户面临的挑战：标签是必要的，但还不够
从企业安全角度来看，风险不仅仅在于访问权限本身，真正的风险出现在授予访问权限之后。
客户普遍担心的情况包括：
用户有权打开文档，但要求人工智能提取原始标识符。
文件标签为通用名称，但包含嵌入的PHI或PII。
敏感细节仅出现在自由文本、注释或叙述部分中。
用户无意中以某种方式触发人工智能系统，从而扩大其曝光度。
在所有这些情况下，可能存在权限标签，但一旦人工智能系统处理了数据，这些标签并不能完全控制数据的使用方式。
Gemini 通过在用户使用时检查内容本身来弥补这一差距。
Gemini 如何在运行时检测敏感数据
Gemini Enterprise采用多种重叠的检测机制。每一层都能捕获不同的风险类别，它们共同构成纵深防御。
1. 基于模式的检测（确定性）
这是最具体、最可审计的一层。
Gemini 运行数据防泄漏扫描器，查找诸如以下明确定义的敏感模式：
社会保障号码，包括国际格式
经 Luhn 验证的信用卡号码
银行账号
电话号码
电子邮件地址
政府颁发的身份识别卡
例如：
123-45-6789立即被标记为社会保障号码。
这些探测器包括：
高精度
与语言无关
确定性且可审计
仅这一层就涵盖了大部分受监管数据，并提供了一个清晰、可解释的基线。
2. 上下文和语义检测（基于机器学习）
对于PHI等敏感信息，仅靠模式匹配是不够的。
许多受监管的信息披露都是基于上下文而非数字的。
例如：
“患者被诊断患有 II 型糖尿病。”
“核磁共振结果显示肿瘤进展。”
“出生日期：1978 年 2 月 14 日，MRN：9938821。”
这些看起来都不像社保号码或信用卡信息。它们之所以敏感，是因为其含义，而不是格式。
Gemini采用以下方式进行上下文分类：
训练用于识别PHI和PII上下文的NLP分类器
医疗和金融实体认可
基于标识符邻近性的风险评分
即使没有明确的标识符，Gemini 也能检测到敏感信息。
3. 提示意图分析（用户行为）
Gemini不仅评估数据，还评估用户要求它执行的操作。
例如：
“从这些文件中提取所有社会保障号码。”
即使用户有权查看文件，Gemini 也会将此视为高风险意图。
作为回应，双子座可以：
拒绝该请求
敏感信息请谨慎填写
请提供汇总信息而非原始数值。
这可以防止企业环境中常见的故障模式：授权用户未经授权使用数据。
4. 基于政策的执行（企业控制）
单靠检测没有执法是无济于事的。
一旦识别出敏感点，Gemini 会将该信号输入到企业策略规则中，例如：
屏蔽原始敏感值
强制聚合或汇总
屏蔽特定字段
限制下载、导出或回写操作
管理员可以进行以下调整：
允许传输哪些类型的敏感数据？
允许哪些响应类型
执法力度应该有多严格？
这样就能将控制权掌握在安全和合规团队手中。
5. 瞬态处理以降低风险
即使检测到并处理敏感数据，Gemini 也能通过设计最大限度地减少数据泄露。
数据仅存在于内存中
没有索引或持久化
没有模型训练
不支持跨会话重用
如果发生意外，这将大大限制爆炸半径。
为什么无需权限标签也能奏效
权限标签回答了以下问题：这些数据应该如何分类？
双子座回答的是另一个问题：这段文字目前是否包含敏感信息？
这种内容检查方法与以下机构使用的模型相同：
云端DLP扫描仪
安全检查工具
合规监控系统
电子邮件网关
标签有助于使用前识别。检查可确保使用过程中的安全。
实际应用情况如何
场景：
一个带有标签的 SharePoint 文档包含：“患者 John Doe（出生日期 1975 年 1 月 12 日）被开了胰岛素处方。”
用户向 Gemini 提问：“总结最近的患者入院记录。”
会发生什么：
由于用户已获得授权，因此允许访问。
双子座短暂地收到了这条信息
Gemini 根据患者背景信息、出生日期和治疗情况来检测 PHI（受保护的健康信息）。
Gemini 生成高级概要
标识符已被屏蔽或省略
用户无需暴露任何敏感信息即可获得价值。
这关系到信誉度。
Gemini公司并不声称拥有完美的检测能力。
任何系统都无法取代门禁控制。
DLP是纵深防守，不是魔法。
明确说明限制条件有助于建立与安全团队的信任。
安全领导者的一句话
“Gemini 通过使用确定性模式、上下文机器学习分类器和用户意图分析来检查内容本身，而不是通过继承外部标签来检测敏感数据。”
小结
Purview决定是否可以访问数据。Gemin DLP决定如何使用这些数据。
正是这种区别使得 Gemini Enterprise 在企业级规模下安全可靠。
