Personal Data Protection Act
PulseAugur coverage of Personal Data Protection Act — every cluster mentioning Personal Data Protection Act across labs, papers, and developer communities, ranked by signal.
-
AI代理成本由模型路由驱动,而非前沿模型
对一个内部AI代理系统的近期分析显示,其80%的运营成本归因于次优的模型路由,而非使用前沿模型。该系统在一个季度内执行了超过200万次工具调用,但由于所有任务(包括数据重塑和分类等简单任务)都使用同一个强大模型,导致了高昂的费用。提出的解决方案是实施一个路由器,将每个子任务导向能够满足其特定需求的、最具成本效益的模型,从而显著降低费用,并将成本优化与数据驻留合规性相结合。
-
构建一个用于全面法律问题解答的 GraphRAG 代理
本文详细介绍了如何构建一个 GraphRAG 代理,该代理旨在比传统的向量 RAG 系统更全面地回答法律问题。作者解释说,法律法规经常引用其他部分来处理处罚或例外情况,而简单的向量相似性无法捕捉到这种联系。提出的解决方案包括创建一个法律知识图谱,使用密集和稀疏嵌入进行检索,并实现图遍历机制来查找相关信息。该系统以泰国《个人数据保护法》(PDPA) 为例进行演示,并设计为使用 Docker、Qdrant 和 NetworkX 等工具在本地运行。
-
多语言AI支持机器人需要复杂的路由,而不仅仅是翻译
构建多语言支持机器人,尤其是在东南亚等地区,是一个复杂的路由挑战,而不是简单的翻译任务。关键问题包括在用户混合使用语言时准确检测语言,理解不同语言需要不同大小的模型(例如,阿拉伯语或泰米尔语的模型比英语的模型更大),以及在单个对话轮次中实现每一步路由,以使用适当的模型层级来完成分类或合成等任务。此外,数据驻留法规,如新加坡的《个人数据保护法》,要求在区域内进行推理,这符合自然对话的延迟要求。
-
超越成本节约,衡量 LLM 路由的有效性
将大部分 LLM 流量路由到更便宜的开源模型可以降低成本,但关键在于衡量其实际有效性,而不仅仅是简单的成功率。团队应将输出分布与基线模型进行比较,而不仅仅是检查任务完成情况,因为更便宜的模型可能会产生表面上看似成功但实际上质量较低的结果。计算每次成功任务的成本(包括重试和升级)比计算每 token 的节省更有价值,特别是对于预算紧张或需要遵守数据主权法规的组织而言。
-
代理架构而非模型价格是导致 AI 推理成本的原因
团队常常将高昂的推理成本归咎于模型提供商,而实际上罪魁祸首往往是系统的架构,特别是代理循环,它们会反复处理对话历史。代理任务中约有 80% 的比例涉及路由和摘要等常规操作,这些操作可以由更高效的模型处理,将昂贵的尖端模型留给复杂的推理。实施统一的网关,将请求路由到合适的模型并保持缓存局部性,可以大幅降低成本,总体成本可能降低 70% 以上,同时通过将数据保留在区域内来确保遵守马来西亚《个人数据保护法》(PDPA) 等法规。
-
日本警告“AI殖民地”风险以推动数据法修正案
日本数字大臣松本刚(Takaaki Matsumoto)发出严厉警告,称如果日本不加速其AI发展,将有沦为“AI殖民地”的风险。此声明旨在争取对目前已通过众议院并正在参议院审议的《个人数据保护法》修正案的支持。拟议的修正案旨在跟上AI技术的快速发展,并强调日本不能落后。
-
生殖健康AI需要新的合规架构来处理夫妇评分
生殖健康领域的AI由于侧重于夫妇层面的评分而非个体患者数据,面临着独特的合规挑战。现有的法规是为单一数据主体设计的,未能充分解决将两个个体的数据结合起来生成不属于任何一方但又属于双方的输出的场景。这需要一种新的合规架构,考虑到共享数据、双重同意和输出敏感性,以维持临床信任。