منع تسرب البيانات: إطار عمل جديد لتوجيه نماذج اللغة الضخمة مع الحفاظ على الخصوصية

في عصر تكنولوجيا المعلومات والاتصالات، أصبح من الضروري التوازن بين كفاءة الأداء وحماية الخصوصية، خاصةً مع الاستخدام المتزايد لنماذج اللغة الضخمة (Large Language Models). يعد توجيه هذه النماذج (LLM Routing) استراتيجية هامة تتيح اختيار خدمات متعددة من مزودي نماذج مختلفين، مما يسهل الاستفادة القصوى من هذه القدرات. لكن، يضيف ذلك طبقة وسيطة ترفع من مستوى المخاطر المتعلقة بخصوصية بيانات المستخدم.

رغم التطور الكبير في تقنيات التشفير مثل حسابات متعددة الأطراف الآمنة (Secure Multi-Party Computation - MPC)، لا يزال تصميم وتنفيذ بروتوكولات هذه التقنيات بحاجة إلى استكشاف أعمق. وغالباً ما تواجهة التطبيقات الساذجة تكاليف حسابية مرتفعة. من هنا، يبرز إطار عمل توجيه نماذج اللغة الضخمة مع الحفاظ على الخصوصية (PPRoute) كحل مبتكر.

يسعى PPRoute إلى توظيف استراتيجيات متعددة لرفع كفاءة استنتاج المشفرين (Encoder Inference) وبحث الجيران الأقرب (Nearest Neighbor Search) ضمن البيئة المشفرة. أولاً، يعتمد PPRoute على عمليات مناسبة لمبدأ MPC لتعزيز سرعة استنتاج المشفرين. ثانياً، يوظف خوارزمية تدريب نموذج متعددة الخطوات للحفاظ على جودة التوجيه حتى مع قيود البيئة المشفرة. ثالثاً، يقترح PPRoute خوارزمية غير مرتبة للفرز بالاعتماد على المعقدة في التواصل، مما يقلل الوقت المستغرق في التواصل بشكل كبير.

عبر مجموعة متنوعة من البيانات، أظهر PPRoute قدرة تنافسية تعادل نظيراته من غير تشفير، مع تحقيق تسريع يصل إلى 20 مرة مقارنة بالتطبيقات الساذجة لـ MPC. يمثل هذا البحث خطوة هامة نحو دمج الخصوصية والفعالية في عالم نماذج اللغة الضخمة.