Privacidade, regiões e conformidade

Região de dados versus região de implantação#

Durante a integração, a Platform mede a latência até as três regiões de dados e recomenda a mais próxima. Sua escolha se torna a dataRegion da conta:

A região de dados determina onde a Platform armazena conjuntos de dados, modelos e dados de treinamento gerenciados, e onde a inferência compartilhada é executada. Três itens ficam fora dessa região:

• Os endpoints dedicados são executados em qualquer uma das 42 regiões de implantação que você escolher; assim, um espaço de trabalho na EU pode atender a solicitações de Tóquio, e a imagem de cada solicitação é enviada para lá.
• Os dados no nível da conta, como perfil, cobrança e atividade, são processados globalmente, conforme descrito na política de privacidade.
• Local de processamento. A região de dados é uma garantia de armazenamento. Se um contrato restringir onde o processamento ocorre, confirme com a Ultralytics os locais das GPUs e dos endpoints antes do treinamento ou use o On Premise.

Você não pode alterar a região de dados por conta própria; é necessário abrir uma solicitação de suporte. Os espaços de trabalho da equipe herdam a região de dados da pessoa que os cria. Tome a decisão com base no contrato, não na latência:

Quando latência e residência de dados entram em conflito para usuários multinacionais, escolha com cuidado: um endpoint na região de dados (conformidade mais simples, menor velocidade para usuários distantes), endpoints em várias regiões (mais rápidos, mas cada região recebe imagens das solicitações, então verifique cada uma delas em relação ao contrato) ou espaços de trabalho separados por jurisdição (maior separação, mais trabalho operacional).

Visibilidade e acesso#

Os novos conjuntos de dados e projetos são Públicos por padrão nos planos Free e Pro, e Privados no Enterprise. Qualquer pessoa, incluindo visitantes sem sessão iniciada, pode visualizar recursos públicos e cloná-los pelo Explore; tornar um recurso privado depois não remove as cópias que outras pessoas já clonaram. Os espaços de trabalho de equipe (Pro e Enterprise) usam quatro funções:

Cada endpoint dedicado está vinculado a uma chave API, e somente o proprietário do espaço de trabalho pode visualizar os valores das chaves. Excluir essa chave não bloqueia o endpoint; interromper ou excluir a implantação, sim.

Exemplo resolvido: anonimizar antes do envio#

A Platform desfoca rostos: clique com o botão direito em uma imagem e escolha Desfocar rostos (gratuito), execute a ação em um conjunto de dados inteiro em Mais ações (US$ 1,00 por 1.000 imagens) ou ative o desfoque na caixa de diálogo Novo conjunto de dados para que as imagens sejam desfocadas durante o processamento dos envios, sem custo. A ferramenta não desfoca placas de veículos, telas ou pessoas inteiras ao redor e não está disponível em conjuntos de dados conectados.

Para qualquer outra coisa, anonimize os dados antes que os pixels saiam da sua máquina. Por exemplo, em um projeto com empilhadeiras, as pessoas são transeuntes, não uma classe que você detecta; portanto, desfoque cada pessoa por completo:

from pathlib import Path

import cv2

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # swap in a plate or face detector for those objects
out = Path("anonymized")
out.mkdir(exist_ok=True)

for result in model.predict("https://ultralytics.com/images/bus.jpg", classes=[0], conf=0.25, verbose=False):
    img = result.orig_img
    for x1, y1, x2, y2 in result.boxes.xyxy.int().tolist():
        img[y1:y2, x1:x2] = cv2.GaussianBlur(img[y1:y2, x1:x2], (51, 51), 0)  # irreversible once saved
    cv2.imwrite(str(out / Path(result.path).name), img)
    print(f"{Path(result.path).name}: blurred {len(result.boxes)} people")

bus.jpg: blurred 4 people

• classes=[0] limita a detecção a pessoas; indique a pasta de quadros com predict para processar um lote inteiro.
• conf=0.25 é intencionalmente baixo: para proteger a privacidade, um trecho desfocado a mais é preferível a deixar passar uma pessoa. Mesmo assim, verifique as saídas por amostragem, pois os detectores não identificam pessoas pequenas ou ocluídas.
• Envie somente a pasta anonymized/ e mantenha os originais conforme sua política de retenção.

Regras para decidir: desfocar apenas os rostos (ferramenta da Platform) quando as pessoas forem uma classe que você detecta, pois desfocar o corpo inteiro destruiria o sinal que o modelo aprende. Desfoque por completo as pessoas ao redor quando pessoas não forem uma classe. Mascare placas quando suas regras as considerarem dados pessoais, como costuma ocorrer na EU e na Califórnia. Quando apenas contagens ou alertas puderem sair do local, execute a inferência na borda e envie metadados em vez de quadros.

Retenção e exclusão#

Para solicitações de acesso, a opção Exportar todos os dados em Configurações > Perfil gera um arquivo JSON com seus metadados (perfil, conjuntos de dados, projetos, modelos e atividade), mas não inclui imagens nem pesos.

Lista de verificação de conformidade pré-lançamento#

1. O que sai do ambiente do cliente? Quadros, previsões ou apenas dados agregados?
2. Qual é a região de dados e quais são as regiões de implantação? Cada uma atende ao contrato?
3. Todos os conjuntos de dados e projetos confidenciais estão como Privados? Verifique se foram criados clones públicos anteriormente.
4. Os rostos estão desfocados e as placas, mascaradas, quando necessário? Quem verifica por amostragem o que o desfoque deixou passar?
5. Você tem permissão para treinar com os dados deste cliente? Se não, mantenha-os em um espaço de trabalho separado.
6. Como você exclui as imagens de um cliente mediante solicitação? Identifique os conjuntos de dados e a etapa da Lixeira.
7. Quem tem cada função e quem possui as chaves API de implantação?

A Ultralytics publica sua postura de segurança, incluindo a conformidade com a ISO/IEC 27001:2022 e o SOC 2 Type I, na página de segurança. Peça a um responsável pela conformidade que aprove qualquer implantação regulamentada.

Armadilhas#