RAG-Datenschutz: Wissen abrufen, persönliche Daten begrenzen

Ein typischer Datenfluss führt vom Originaldokument über Textextraktion und Chunking zu Embeddings, Suchindex und Modellkontext. Neben dem Fließtext können Titel, Dateinamen, Quellenpfade und Metadaten Namen enthalten. Wenn Sie nur die Chunks bearbeiten, kann ein unveränderter Dateiname weiterhin eine Person identifizieren.

Gehen Sie nicht davon aus, dass eine numerische Repräsentation automatisch anonym ist. Bewerten Sie Embeddings und den damit verbundenen Index im konkreten Verarbeitungskontext. Besonders relevant ist, ob Originaltexte daneben gespeichert werden und wer auf diese Daten oder ihre Zuordnung zugreifen kann.

Pseudonymisierung vor dem Embedding reduziert die Originalangaben, die diesen Dienst erreichen. Prüfen Sie aber die Suchqualität: Wenn Personennamen ersetzt sind, funktioniert eine Suche nach Klarnamen nicht unverändert. Manche Anwendungen brauchen eine getrennte, berechtigte Auflösung der Suchanfrage oder sollten auf Personensuche ganz verzichten.

Ein Ersatz erst unmittelbar vor der Generierung schützt den Modellkontext, lässt frühere Verarbeitungsschritte jedoch unverändert. Welche Variante passt, hängt von den beteiligten Diensten und Ihrer Aufgabe ab. Bewerten Sie Suchqualität und Schutz gemeinsam anhand realer Fragen und freigegebener Beispieldokumente.

Wenn Sie jeden Chunk unabhängig pseudonymisieren, kann ⟨PERSON_1⟩ in verschiedenen Chunks unterschiedliche Personen bezeichnen. Umgekehrt kann dieselbe Person unterschiedliche Tokens erhalten. Führen Sie Tokens deshalb nicht ohne dokumentierte Strategie zusammen. Die Konsistenz innerhalb eines API-Aufrufs ist keine globale Identitätsverwaltung.

Eine sichere Zuordnung benötigt einen klaren Geltungsbereich, etwa Dokument oder Vorgang. Beschränken Sie den Zugriff und vermeiden Sie ein ungeschütztes, gemeinsames Mapping aller Dokumente. Quellenangaben in der Antwort dürfen keine Originalnamen offenlegen, die im eigentlichen Text bewusst ersetzt wurden.

Testen Sie, ob ein Nutzer nur die Dokumente findet, für die er berechtigt ist. Ein Modellprompt wie „Gib keine vertraulichen Inhalte aus“ ersetzt keinen Filter auf der Suchabfrage. Prüfen Sie außerdem, wie Korrekturen und Löschungen aus dem Originalbestand in Chunks, Embeddings und Caches übernommen werden.

Ein geeigneter Testbestand enthält normale Wissensfragen, Suchanfragen nach Personen und bewusst nicht freigegebene Dokumente. Kontrollieren Sie Treffer, Antwort und Quellen gemeinsam. So erkennen Sie, ob die Datenbegrenzung funktioniert und ob sie für Ihre Anwendung wichtige Informationen entfernt.

1. Metadaten und Texte gemeinsam untersuchen.
2. Pseudonymisierungszeitpunkt festlegen und Suchqualität messen.
3. Dokumentberechtigungen vor dem Modellaufruf durchsetzen.
4. Löschung im Index und in Caches verifizieren.
5. Mappings und Quellenanzeige auf den richtigen Nutzer beschränken.

Die technische Beschreibung bezieht sich auf die Persona-Werkzeuge und ihre dokumentierten Grenzen. Prüfen Sie Erkennung und Export vor der Verwendung mit Ihren eigenen Dokumenttypen.

• DSGVO im amtlichen Volltext: Begriffe, Datenminimierung und Sicherheitsmaßnahmen, insbesondere Art. 4, 5, 25 und 32.
• Persona-API-Dokumentation: Endpunkte, Authentifizierung und Antwortfelder.
• Pseudonymisierung und Anonymisierung unterscheiden: Einordnung von Platzhaltern und Zuordnung.