00:00 / 01:00
连播
清屏
智能
倍速
点赞122
00:00 / 00:55
连播
清屏
智能
倍速
点赞6
00:00 / 00:59
连播
清屏
智能
倍速
点赞43
00:00 / 00:37
连播
清屏
智能
倍速
点赞143
00:00 / 17:22
连播
清屏
智能
倍速
点赞41
今天我们围绕上一期聊的RAG话题继续聊,看大家该如何权衡利弊 今天我们围绕上一期聊的RAG话题,聊聊谷歌的File Search API 托管式 RAG,这一次我们聊聊它的风险! 如果是对于注重数据隐私的企业而言,托管式RAG,会选择使用? 从这个角度来研究,我们是否应该选择私有化部署 “开源的RAG工具”才是更安全的技术路径? 在降本增效的面前,RAG托管API与开源的RAG检索增强生成技术方案我们应该怎样权衡? 作为企业构建知识驱动型AI系统的核心技术,正面临托管API与开源方案的路径选择。 托管API如谷歌File Search虽降低开发门槛,但存在数据出境风险、分块策略不透明、访问控制缺失等隐私隐患,与金融、医疗等行业合规要求冲突。 我认为开源方案是更安全路径!因为允许企业完全控制数据流程。 推荐大家用:“ChatWiki” ,ChatWiki支持20+主流大模型接入,支持本地部署,对数据隐私要求极高的企业可选择离线docker部署! 另外还有“RAGFlow”结合大模型构建知识库也是蛮香的,网上有教程:使用Docker一键部署RAGFlow,结合Ollama和本地大模型。实现可控可解释的数据处理,在数据存储位置、分块可见性、访问控制粒度等方面优势显著。 目前我国的医疗和金融行业已有成功实践,如华山医院"KnowS"医学AI搜索引擎通过本地部署和RBAC权限控制实现医疗数据合规,全知科技为金融机构提供"看见—控住—可证"的API安全方案。 嗯……向量数据库安全性至关重要,Milvus等开源方案提供传输加密、存储加密和RBAC访问控制。企业可采用分层解决方案:完全本地化部署满足高监管需求,混合架构适应部分数据公开场景,合规增强方案增加审计监控功能。未来RAG技术将分化为标准化与高安全场景,工程师需向合规安全专家转型。企业应评估隐私风险等级,选择合适开源工具,配置多层次安全措施,建立合规审计流程。
00:00 / 21:48
连播
清屏
智能
倍速
点赞3
00:00 / 02:18
连播
清屏
智能
倍速
点赞26