कुछ समय पहले DeepSeek को संयुक्त राष्ट्र सुरक्षा परिषद में AI सुरक्षा पर चर्चा में नामित किया गया था, यह बात तकनीकी जगत में काफी तेज़ी से फैली। मेरी पहली प्रतिक्रिया "घरेलू मॉडल ने कमाल कर दिया" नहीं थी, बल्कि एक और अधिक व्यावहारिक प्रश्न था: जब बड़े मॉडल को अंतर्राष्ट्रीय सुरक्षा एजेंडे पर रखा जाता है, तो उद्यमों द्वारा बड़े मॉडल API को फिर से जोड़ते समय अनुपालन का हिसाब कैसे लगाया जाए। संकेत बहुत स्पष्ट है, AI क्षमता अब केवल तकनीकी चयन नहीं है, यह कूटनीतिक और नियामक विशेषताएँ लेकर आने लगी है।
एक, इस घटना में असली संकेत कहाँ है
सुरक्षा परिषद में AI सुरक्षा पर चर्चा, मूल बात कौन सा मॉडल मज़बूत है इसका मूल्यांकन नहीं है, बल्कि यह है कि विभिन्न देश "AI क्षमता के सीमा-पार प्रवाह" के लिए नियम बनाने लगे हैं। चीनी उद्यमों के लिए, सीधा प्रभाव यह है: आप जिस मॉडल को कॉल करते हैं वह कहाँ तैनात है, डेटा कहाँ जाता है, लॉग कितने समय तक संग्रहीत रहता है, ये पहले कोई बारीकी से नहीं देखता था, अब अनुपालन विभाग इन पर नज़र रखेगा। IDC ने 2025 के उद्यम AI सर्वेक्षण में उल्लेख किया कि साठ प्रतिशत से अधिक सर्वेक्षित उद्यमों ने "डेटा अनुपालन" को जनरेटिव AI को जोड़ने की प्रमुख चिंता बताया, जो लागत से भी ऊपर है।
दो, उद्यमों द्वारा बड़े मॉडल API जोड़ते समय, तीन प्रकार की अनुपालन समस्याओं से बचा नहीं जा सकता
पहला प्रकार है डेटा का सीमा-पार जाना। आप एक विदेशी मॉडल को कॉल करते हैं, prompt में मौजूद ग्राहक जानकारी, अनुबंध पाठ सीमा-पार चला जाता है। स्तरीय सुरक्षा और "डेटा सीमा-पार सुरक्षा मूल्यांकन उपाय" इस पर बहुत सख्ती से रोक लगाते हैं, विशेष रूप से वित्त, चिकित्सा, सरकारी सेवा परिदृश्यों में।
दूसरा प्रकार है लॉग प्रतिधारण। नियामकीय आवश्यकता है कि इसे ट्रेस किया जा सके, लेकिन लॉग में स्वयं संवेदनशील जानकारी होती है। प्रतिधारण और डी-सेंसिटाइज़ेशन एक विरोधाभास है, कई टीमें सीधे पूर्ण अनुरोधों को सादे पाठ में संग्रहीत करती हैं, गड़बड़ होने पर बड़ी समस्या होती है।
तीसरा प्रकार है सामग्री सुरक्षा फ़िल्टरिंग। जनरेटिव AI सेवाओं पर स्पष्ट सामग्री समीक्षा दायित्व है, मॉडल जो कुछ निकालता है उसे आपको संभालना होता है, सब कुछ अपस्ट्रीम पर नहीं डाल सकते।
तीन, तकनीकी स्तर पर इन तीन प्रकार की समस्याओं को कैसे संभाला जाए
हमारे प्रोजेक्ट में AI API एग्रीगेशन करते समय, सबसे अधिक ऊर्जा वास्तव में मॉडल इंटीग्रेशन पर नहीं, बल्कि अनुपालन परत पर लगी। सरल शब्दों में, एग्रीगेशन परत को तीन काम करने होते हैं: डेटा आइसोलेशन, अनुरोध डी-सेंसिटाइज़ेशन, ऑडिट लॉग।
डेटा आइसोलेशन का अर्थ है कि विभिन्न टेनेंट, विभिन्न व्यावसायिक लाइनों के अनुरोध गेटवे परत पर ही अलग हो जाएँ, एक ही लॉग स्ट्रीम में न मिलें। SiCore TokenWorks की एग्रीगेशन परत में आइसोलेशन करते समय, हमने टेनेंट+व्यावसायिक टैग द्वि-आयामी विभाजन किया, क्रॉस-टेनेंट डेटा स्टोरेज परत पर भौतिक रूप से अलग है, एप्लिकेशन परत की स्व-अनुशासन पर निर्भर नहीं।
अनुरोध डी-सेंसिटाइज़ेशन अनुरोध के गेटवे से बाहर जाने से पहले एक सफाई है, मोबाइल नंबर, आईडी कार्ड, बैंक कार्ड जैसे रेगेक्स से पहचाने जा सकने वाले फ़ील्ड पहले प्रतिस्थापित फिर अग्रेषित। ऑडिट लॉग केवल मेटाडेटा रिकॉर्ड करता है: कौन, कब, कौन सा मॉडल कॉल किया, कितने token खर्च हुए, सादा पाठ सामग्री रिकॉर्ड नहीं। इससे ट्रेसबिलिटी तो पूरी होती है, और संवेदनशील डेटा लॉग में नहीं फैलता।
साथ ही लागत की एक बात बता दूँ। बहु-मॉडल एकीकृत पहुँच के बाद, उपयोग-आधारित बिलिंग का हिसाब बहुत स्पष्ट हो जाता है। हमने तुलना की, एक ही कार्य समूह को एग्रीगेशन परत से शेड्यूल करने पर, एक-एक करके आधिकारिक SDK से जोड़ने की तुलना में केवल पैसे की बचत नहीं होती, बल्कि पाँच सेट प्रमाणीकरण लॉजिक बनाए रखने का श्रम भी बचता है। token8341 इस क्षेत्र में कार्य के आधार पर स्वचालित मॉडल चयन करता है, घरेलू मॉडल को प्राथमिकता, विदेशी मॉडल को बैकअप, लॉग का मानक भी एकीकृत है।
चार, डेवलपर्स और उद्यमों के लिए कुछ ठोस सुझाव
शुरू में ही सीधे आधिकारिक API से न जुड़ें। पहले एग्रीगेशन परत से कॉल को केंद्रीकृत करें, अनुपालन रणनीति, दर सीमा, डी-सेंसिटाइज़ेशन सब गेटवे पर एक बार हो सकते हैं, base_url की एक पंक्ति बदलकर मॉडल स्विच करें, माइग्रेशन लागत कम।
लॉग रणनीति पहले से तय करें। कौन से फ़ील्ड रिकॉर्ड करने हैं, कितने समय तक रखने हैं, कौन देख सकता है, पहुँच मानक में लिखें, ऑडिट आने के बाद भरपाई न करें।
जिन परिदृश्यों को घरेलू मॉडल कवर कर सकते हैं, उनमें घरेलू को प्राथमिकता दें। Pangu, DeepSeek, Qwen, ERNIE, Doubao, Spark ये चीनी कार्यों पर पर्याप्त हैं, डेटा देश के भीतर रहता है, अनुपालन दबाव कम।
पाँच, आगे की ओर देखते हुए
AI सुरक्षा का सुरक्षा परिषद में जाना, नियामकीय कसावट की शुरुआत मात्र है। Gartner का अनुमान है कि 2027 तक, काफी अनुपात में जनरेटिव AI उद्यम अनुप्रयोग अनुपालन समस्याओं के कारण सुधार के लिए कहे जाएँगे। मेरा आकलन है: मॉडल क्षमता अधिक से अधिक समान होती जाएगी, असली अंतर वह बनाएगा जो अनुपालन और लागत दोनों को एक साथ स्थिर रख सके। बड़े मॉडल API की प्रतिस्पर्धा, आगे पहुँच परत की है, मॉडल परत की नहीं। जो डेटा आइसोलेशन, डी-सेंसिटाइज़ेशन, ऑडिट इस पूरे सिस्टम को मज़बूती से बनाएगा, वही अगली लहर की उद्यम माँग को संभाल सकेगा।