Есть ли смысл тратить время на разработку форм с нуля, если есть возможность сгенерировать их? С каждым месяцем все больше людей склоняются к тому, что «не стоит». Но есть нюанс: вопрос безопасности. В этой статье мы поговорим о том, в чем заключаются угрозы работы с LLM для генерации, а также рассмотрим пример создания формы на базе DeepSeek.
Обилие LLM моделей, обученных под различные типы задач и размещенных в публичном доступе, безусловно соблазняет разработчика. Но за использованием публичных AI сервисов кроется угроза, о которой не принято говорить. И угроза эта серьезна, на первый взгляд может быть и не очевидная – утечка данных. Если верить цифрам из открытых источников, то на 2025 год до 77% утечек могут быть связаны с генеративным AI. С точки зрения разработки основной проблемой может быть утечка кода. Дето в том, что многие LLM производят дообучение (fine-tuning) модели на данных, предоставляемых пользователем. К каким же последствиям могут привести утечки кодовой базы в LLM? Давайте рассмотрим некоторые риски:
Вероятное событие | Вероятный результат | Вероятные последствия |
В AI модель утекли исходные коды части проекта | Код теряет уникальность | Могут возникать споры об авторстве |
Информация становится общедоступной | Код не является нематериальным активом компании | |
В модель утекли конфигурации инфраструктуры | Злоумышленник может восстановить топологию сети и/или сервисов | Повышение вероятности получения несанкционированного доступа к системам |
В модель утекли уникальные алгоритмы, являющиеся коммерческой тайной | Алгоритмы могут быть использованы другими разработчиками | Упущенная прибыль и убытки компании |
Таблицу можно еще продолжить, то даже с приведенными выше историями нет желания сталкиваться.
Что же делать?
Есть несколько вариантов:
· установить приватную LLM модель и использовать ее во внутреннем контуре разработки;
· установить на рабочее место программиста легковесную LLM;
· использовать публичные LLM модели, но только на открытых данных;
· отказаться от генеративного AI.
Последний пункт точно не подходит. Определенно, отказаться от генеративного AI мы не готовы. Но самостоятельная установка LLM сервиса для компании, например, из 100 человек выльется в кругленькую сумму. К тому же локальные установки имеют низкую точность и скорость. Исходя из этого, будем рассматривать использование публичных AI сервисов, но с учетом того, что мы предоставим ему только ту информацию, которую мы будем считать публичной.
Давайте посмотрим, что мы отдаем пользователю, когда он загружает страницу:
- html разметку;
- Java Script сценарии;
- CSS таблицы;
- структурированные данные запросов и ответов.
Так как мы уже добровольно отдали все вышеперечисленные данные, то будем считать, что для нас они не являются конфиденциальными.
Здесь я бы хотел обратить внимание не на сами данные, а на структуры данных. В первую очередь меня интересует структура данных запросов к API. Исходя из того, что данные мы передаем в формате JSON, то структуру этих данных можно описать по стандартам JSON Schema (https://json-schema.org/).
Готовим форму при помощи LLM
Давайте вернемся к предыдущему примеру и сделаем схему при помощи LLM. Для этого нам понадобится любая ваша любимая LLM и JSON схема, которой должна следовать LLM. Я уже подготовил файл схемы, описывающий целевую схему данных, в качестве LLM я возьму DeepSeek (https://www.deepseek.com/ ). Далее загружаю схему в DeepSeek и пишу промпт: «Напиши JSON схему, в которой есть свойства: name - строка, phone - строка, zip - число, address - строка, comment - строка, agreement - булево значение. Свойства name и phone объединены в свойство personal. Свойства zip и address объединены в свойство address. Все поля не обязательны для заполнения и могут оставаться пустыми. Полученная схема должна валидироваться схемой из файла.»
В результате получаю схему:
export const exampleScheme = { "type": "object", "properties": { "personal": { "type": "object", "properties": { "name": { "type": "string" }, "phone": { "type": "string" } }, "additionalProperties": false }, "address": { "type": "object", "properties": { "zip": { "type": "number" }, "address": { "type": "string" } }, "additionalProperties": false }, "comment": { "type": "string" }, "agreement": { "type": "boolean" } }, "additionalProperties": false } as const;
Теперь я воспользуюсь пакетом "@cloudx/react-ui-kit-forms-builder" и создам реактивную форму на основе полученной схемы:
const formModel = buildFormModel(exampleScheme);
Всё, модель готова!
Теперь я поступлю так же и с UI составляющей. Здесь я также воспользуюсь утверждением, что разметка страницы не является конфиденциальной информацией и создам схему разметки. Так как в наших проектах мы используем UIKit собственной разработки, то мне достаточно создать схему расположения элементов на странице, а не опускаться на уровень HTML верстки. Файл такой схемы я также заготовил заранее. Дальше загружаю схему в DeepSeek и пишу промпт: «Напиши JSON схему, в которой есть поля: name - input, phone - input, zip - number, address - input, comment - text area, agreement - checkbox. Полученная схема должна валидироваться схемой из файла».
В полученном результате я скорректирую свойство path объекта control согласно полученной выше модели данных:
export const UiScheme = { "elements": [ { "type": "field", "label": "Name", "control": { "type": "input", "path": "personal/name", "placeholder": "Enter your full name", "size": "md" } }, { "type": "field", "label": "Phone", "control": { "type": "input", "path": "personal/phone", "placeholder": "+1 (555) 000-0000", "mode": "tel", "size": "md" } }, { "type": "field", "label": "ZIP Code", "control": { "type": "number", "path": "address/zip", "placeholder": "12345", "minValue": 0, "maxValue": 99999, "step": 1, "hideSpinButtons": false, "size": "md" } }, { "type": "field", "label": "Address", "control": { "type": "input", "path": "address/address", "placeholder": "Street, city, state", "size": "md" } }, { "type": "field", "label": "Comment", "control": { "type": "textarea", "path": "comment", "placeholder": "Additional information...", "autoResize": true, "maxLength": 500, "rows": 4, "size": "md" } }, { "type": "field", "label": "I agree to the terms and conditions", "control": { "type": "checkbox", "path": "agreement", "checked": false, "inline": true, "reverse": false } } ] };
Теперь я повторно воспользуюсь пакетом "@cloudx/react-ui-kit-forms-builder" и создам UI формы:
const formElement = buildFormUI({ model: formModel, scheme: UiScheme, });
Последним штрихом будет установка формы на страницу:
<FormLayout>{formElement}</FormLayout>
Получаем вот такую форму:
И с такой моделью на выходе:
Заключение
В результате мы получили готовую форму, используя ресурсы публичной модели, но при этом не компрометируя никакой информации. Это еще один пример эффективного применения нашей библиотеки @cloudx/react-ui-kit-forms-builder, так что пользуйтесь на здоровье! Ведь искусственный интеллект – это действительно ресурсоемкий актив, который иногда не стоит развертывать локально, потому что публичные модели и так вполне можно использовать для работы с формами.
