# Embeddings की सुरक्षा और Privacy — Embeddings और Vector Search

Source: https://www.geekswithgeeks.com/hi/embeddings/p-secure

> Vectors और उनके पीछे के डेटा की रक्षा करें।

## Vectors गुमनाम नहीं हैं

Embeddings आपके पाठ से बनते हैं और **उसके बारे में जानकारी लीक कर सकते हैं**: शोध ने दिखाया है कि पाठ कभी-कभी अपने embedding से आंशिक रूप से पुनर्निर्मित हो सकता है, और nearest-neighbour परिणाम बताते हैं कि कौन-से दस्तावेज़ मौजूद हैं। Vectors को **स्रोत डेटा जितना संवेदनशील** मानें: at rest और in transit encrypt करें, पहुँच सीमित करें, और वही retention व deletion नियम लागू करें (दस्तावेज़ हटाना उसके vectors और cached प्रतियाँ भी हटाए)। प्रति tenant और प्रति user **retrieval query में अनुमतियाँ** लागू करें, क्योंकि बिना filters का साझा index एक ग्राहक का डेटा दूसरे के परिणामों में लीक कर सकता है। Hosted embedding API उपयोग करते समय याद रखें कि **पाठ आपके system से बाहर जाता है**: डेटा-उपयोग व retention शर्तें जाँचें, व्यक्तिगत डेटा न्यूनतम और redact करें, और access log करें। LLM को जाने वाले retrieved पाठ में **prompt injection** हो सकता है, इसलिए उसे अविश्वसनीय डेटा मानें।

**Quiz:** गोपनीय दस्तावेज़ों से बने vectors के साथ कैसा व्यवहार करें?

- [x] स्रोत दस्तावेज़ों जितनी संवेदनशीलता से
- [ ] सार्वजनिक, क्योंकि वे सिर्फ़ संख्याएँ हैं
- [ ] गुमनाम डेटा के रूप में
- [ ] हानिरहित test डेटा के रूप में

*Answer:* स्रोत दस्तावेज़ों जितनी संवेदनशीलता से. Embeddings अपने स्रोतों के बारे में जानकारी लीक कर सकते हैं।