专题演讲嘉宾：刘明

分类分级是数据安全的一项基础性工作，高效准确地对数据进行分类分级打标，是后续进行有效分级保护控制的先决条件，以往分类分级工作中存在专家特征规则识别质量局限，人工识别耗时费力跟不上业务变化的问题，随着大语言模型的兴起，我们看到了新的机会，也取得了不错的可行性验证成果，本次演讲将分享携程逐步实现高质量、高效率的敏感数据分类分级的思路和经验，希望能给听众带来一些启发和思考。

演讲提纲

1. 背景

• 目前数据分类分级手段在商密数据场景的局限
• 大语言模型能带来的潜在提升与场景适配研究

2. 分类分级可行性验证过程

• 找到正确的提问方式
• 大语言模型分类分级过程中遇到的问题：模型幻觉、数据安全性

3. 在控制成本的基础上找到平衡应用落地方式

• 在现有分类分级产品中引入大语言模型能力
• 分类分级准确率和召回率数据情况

4. 挑战与展望

• 分类分级大模型的常态运营

实践痛点

大语言模型存在幻觉问题，偶发性会出现脱离框架的答案，同时大语言模型使用成本目前相较专家特征规则和自建模型没有优势，因此成本控制问题会限制其应用规模。

演讲亮点

商业秘密数据特征模糊，使用专家特征规则无法进行有效识别，而大语言模型可充分利用上下文和常识知识更加准确的识别分类商业秘密数据。

听众收益

• 了解携程在使用大语言模型进行商密数据分类分级的实践经验
• 了解大语言模型在数据安全分类分级基础性工作上提升效率质量的价值