GCP Cloud DLPと連携したVertex AIプロンプトのデータ損失防止(DLP)実装

【Python付】Vertex AI×Cloud DLPで構築する「情報漏洩しない」安全なAI活用基盤

2026年1月5日更新 2026年4月4日約11分で読めます

文字サイズ:

【Python付】Vertex AI×Cloud DLPで構築する「情報漏洩しない」安全なAI活用基盤

この記事の要点

Vertex AIプロンプトからの情報漏洩リスクを防止
Cloud DLPによる機密情報・個人情報の自動検知とマスキング
安全な生成AI活用基盤の構築

AI活用が進まない最大の壁、「情報漏洩」への恐怖

「生成AIを使えば業務効率が上がるのは分かっている。でも、社員が誤って顧客情報を入力したらどうするんだ？」

実務の現場において、企業のDX担当者やエンジニアの間で必ずと言っていいほど挙がるのがこの話題です。経営層やセキュリティ部門からの懸念により、PoC（概念実証）すら始められないケースも少なくありません。

特に金融機関や医療機関、公共機関といった機密性の高いデータを扱う業界では、この懸念は切実です。しかし、リスクがあるからといってAIの恩恵をすべて放棄してしまうのは、ビジネス競争力を失うことと同義です。

今回は、そんなジレンマを解消するための具体的なソリューションを解説します。精神論や社内ルールで縛るのではなく、技術の力で潜在的なリスクをシステム的に排除するアプローチです。

Google Cloudには、セキュリティツール「Cloud DLP（Data Loss Prevention）」があります。これと生成AI「Vertex AI」を組み合わせることで、個人情報がAIに届く前に自動で黒塗りにする仕組みを構築できます。

システム全体を俯瞰し、まずは「動くもの」を作って検証することが重要です。Pythonコードを使って数分で実装できるこの仕組みは、安全なクラウド活用のための強力な説得材料となるはずです。

なぜ「気をつけて使う」だけではAI活用が進まないのか

「機密情報は入力しないように」

社内ガイドラインにこう一行書くだけで、本当に情報漏洩は防げるでしょうか。

人間は必ず「うっかり」機密情報を入力する

チャットボット形式のAIは、その自然な対話性ゆえに、つい同僚に相談するような感覚で詳細な情報を入力してしまいがちです。

例えば、エラーログの解析をAIに依頼するシーンを想定してください。そのログの中に、顧客のメールアドレスやAPIキーが混ざっていたらどうなるでしょうか。契約書の要約を頼む際に、相手方の企業名や担当者名が含まれていたら、大きな問題に発展する可能性があります。

これらを毎回、目視でチェックして削除するのは現実的ではなく、生産性を著しく低下させます。「気をつける」という人的対策に依存している限り、最悪の事態を想定してリスクを排除する役割を持つセキュリティ部門の承認を得ることは困難です。

プロンプトに含まれるリスク情報の具体例

AIプロンプトに含まれがちなリスク情報には、以下のようなものがあります。

PII（個人識別情報）: 氏名、電話番号、メールアドレス、住所、マイナンバー
金融情報: クレジットカード番号、銀行口座番号
認証情報: パスワード、APIキー、アクセストークン
組織固有情報: プロジェクトコードネーム、社外秘の固有名詞

これらが一度AIモデル（特に学習データとして利用される可能性があるパブリックなモデル）に渡ってしまえば、完全に取り消すことは困難です。

ルール作りより「仕組み化」が信頼される理由

だからこそ、提案すべきは「教育」ではなく「実装」です。

「社員教育を徹底します」と言うよりも、「システム的に個人情報が送信されることはあり得ません。なぜなら、送信前に自動で検知して伏せ字にするフィルターが動いているからです」と客観的な仕組みで説明できた方が、圧倒的に高い信頼を得られます。

これから構築するのは、まさにその「信頼」を担保するためのシステムです。

Vertex AIとCloud DLPが連携する仕組み

Vertex AIとCloud DLPが連携する「検問所」の仕組み - Section Image

実装に入る前に、これから作るシステムの全体像を整理します。「空港のセキュリティチェック」をイメージすると分かりやすい構造です。

Cloud DLPとは？：Googleが持つ機密情報検出エンジン

Google Cloud DLP（Data Loss Prevention）は、Googleが長年培ってきたデータ保護技術をAPIとして提供しているサービスです。GmailやGoogle Driveでスパムや機密情報を検知しているのと同じような高度なエンジンを、自社のアプリケーションに組み込むことができます。

このエンジンの特徴は、単なる正規表現（パターンマッチング）だけでなく、文脈やチェックデジット（クレジットカード番号の妥当性など）まで総合的に解析している点です。つまり、「1234-5678...」という数字の羅列が、ただのIDなのか、クレジットカード番号なのかを高い精度で判別可能です。

AIに届く前にデータを浄化するアーキテクチャ

通常、ユーザーの入力は直接Vertex AIに送られます。しかし、今回はその間にDLPを挟むアーキテクチャを採用します。

User Input: ユーザーがプロンプトを入力（例：「私のカード番号 4111-1111... の支払いは？」）
App Server: アプリが受け取るが、まだAIには送らない
Cloud DLP (Inspect & De-identify): アプリがDLPにテキストを渡し、危険な情報の有無を検査
Sanitized Text: DLPが機密情報を検知し、安全な形式に変換して返す（例：「私のカード番号 [CREDIT_CARD_NUMBER] の支払いは？」）
Vertex AI: アプリが「浄化されたテキスト」をAIモデルへ送信
Response: AIが安全なテキストに基づいて回答を生成

この一連の流れを作ることで、AI側には一切、生の機密情報が渡らない状態を確実なものにします。

「検査（Inspect）」と「匿名化（De-identify）」の違い

DLPには大きく分けて2つの主要機能があります。

検査（Inspect）: 「どこに」「どんな」機密情報が存在するかを特定する機能。
匿名化（De-identify）: 見つけた情報を「マスキングする」「特定のタグに置き換える」「暗号化する」機能。

今回は、AIに文脈を理解させつつ情報を守る必要があるため、匿名化機能を利用して、特定の情報をタグ（例: [PERSON_NAME]）などに置換する処理を行います。

準備編：Google Cloudコンソールで始める最初の設定

実際に手を動かして環境を構築していきます。Google Cloudのアカウントを用意し、プロジェクトを作成した状態からスタートします。

必要なAPIの有効化

コンソール上部の検索バーを利用して、以下の2つのAPIを有効化します。

Cloud Data Loss Prevention (DLP) API
Vertex AI API

有効化の処理が完了するまで、数分程度の時間がかかる場合があります。

【コストに関する注意点】
Cloud DLPには一定の無料枠が設定されていますが、それを超過すると検査したデータ量（GB単位）に応じた従量課金が発生します。テキストデータの検査のみであれば高額になるケースは稀ですが、予算アラートを事前に設定しておくことを強く推奨します。最新の料金体系は公式サイトで確認してください。

最小権限のサービスアカウント作成

PythonプログラムがセキュアにGCPを操作するためのサービスアカウントを作成します。

「IAMと管理」 > 「サービスアカウント」へ移動
「サービスアカウントを作成」をクリックし、任意の名前（例: dlp-vertex-connector）を入力
ロール（権限）の付与:
- DLP ユーザー (roles/dlp.user): DLPでの検査・匿名化に必要
- Vertex AI ユーザー (roles/aiplatform.user): Vertex AIの呼び出しに必要
作成完了後、「キー」タブから新しいJSONキーを作成してダウンロード

このJSONキーは認証情報の要です。公開リポジトリへのアップロードは厳禁であり、ローカルの安全なディレクトリで管理してください。

テスト環境の整備

Pythonの実行環境に、必要なライブラリをインストールします。

pip install google-cloud-dlp google-cloud-aiplatform

これで下準備は完了です。

実践編：5分で試せる「個人情報フィルター」の実装手順

実践編：5分で試せる「個人情報フィルター」の実装手順 - Section Image

ここからはPythonによる実装を進めます。処理の流れを明確にするため、シンプルな構造のコードを用いて解説します。

Step 1：環境変数の設定

ダウンロードした認証情報のパスと、プロジェクトIDを指定します。

import os

# ダウンロードしたJSONキーのパスを指定
os.environ["GOOGLE_APPLICATION_CREDENTIALS"] = "path/to/your-service-account-key.json"

# あなたのGoogle CloudプロジェクトID
PROJECT_ID = "your-project-id"

Step 2：DLPでテキストを検査・匿名化する関数

入力されたテキストを解析し、機密情報を伏せ字に変換して返す関数を定義します。ここがセキュリティフィルターの核心部です。

from google.cloud import dlp_v2

def deidentify_text(text, project_id):
    # DLPクライアントの初期化
    dlp = dlp_v2.DlpServiceClient()
    parent = f"projects/{project_id}"

    # 1. 検出したい情報（InfoType）の定義
    info_types = [
        {"name": "PERSON_NAME"},       # 人名
        {"name": "EMAIL_ADDRESS"},     # メールアドレス
        {"name": "PHONE_NUMBER"},      # 電話番号
        {"name": "CREDIT_CARD_NUMBER"} # クレジットカード
    ]

    # 2. 検査の設定（InspectConfig）
    inspect_config = {
        "info_types": info_types,
        "min_likelihood": dlp_v2.Likelihood.LIKELY, # 検知の確信度
    }

    # 3. 匿名化の設定（DeidentifyConfig）
    deidentify_config = {
        "info_type_transformations": {
            "transformations": [
                {
                    "primitive_transformation": {
                        "replace_with_info_type_config": {}
                    }
                }
            ]
        }
    }

    # 4. DLP APIを呼び出して変換実行
    response = dlp.deidentify_content(
        request={
            "parent": parent,
            "deidentify_config": deidentify_config,
            "inspect_config": inspect_config,
            "item": {"value": text},
        }
    )

    return response.item.value

replace_with_info_type_config を使用することで、検出されたデータが自動的に [PERSON_NAME] や [PHONE_NUMBER] といったタグに置き換わります。単なるアスタリスク（***）で埋めるよりも、AIモデルが文脈を維持したまま自然な回答を生成しやすくなります。

Step 3：浄化されたテキストをVertex AIに投げる

DLPを通過した安全なテキストを、Vertex AIのモデルに送信します。最新の環境では、推論能力が大幅に強化されたGeminiの最新モデルを利用することで、より精度の高い処理が期待できます。

import vertexai
from vertexai.generative_models import GenerativeModel

def chat_with_safe_ai(prompt, project_id):
    # Vertex AIの初期化
    vertexai.init(project=project_id, location="us-central1")
    
    # 推論能力の高いGeminiの最新モデルを選択
    model = GenerativeModel("gemini-pro") 

    print(f"Original: {prompt}")

    # --- DLPでプロンプトを浄化 ---
    safe_prompt = deidentify_text(prompt, project_id)
    print(f"Sanitized: {safe_prompt}")
    # ------------------------------

    # 安全なプロンプトでAIにリクエスト
    response = model.generate_content(safe_prompt)
    
    return response.text

# --- 実行ブロック ---
if __name__ == "__main__":
    # テスト用の入力データ
    risky_input = "担当の山田です。連絡先は yamada@example.com です。挨拶文を作成してください。"
    
    result = chat_with_safe_ai(risky_input, PROJECT_ID)
    
    print("\n--- AI Response ---")
    print(result)

実行結果のイメージ

このコードを実行すると、背後でDLPが機能し、以下のような結果が得られます。

Original: 担当の山田です。連絡先は yamada@example.com です。挨拶文を作成してください。
Sanitized: 担当の[PERSON_NAME]です。連絡先は[EMAIL_ADDRESS]です。挨拶文を作成してください。

--- AI Response ---
はじめまして、[PERSON_NAME]と申します。
ご連絡の際は、[EMAIL_ADDRESS]までお願いいたします...

AIには実名やメールアドレスが一切渡っていません。それでも、AIはタグの位置を正しく認識し、論理的な文章を構築しています。コードを数行追加するだけで、堅牢なセキュリティ層をシステムに組み込むことが可能です。

応用へのヒント：実運用に向けたチューニング

基本的な実装をベースに、実際の業務アプリケーションとして運用していくための発展的なアプローチを解説します。

「過剰検知」を防ぐためのしきい値調整

コード内で指定した min_likelihood は、検知エンジンの感度を決定する重要なパラメータです。

LIKELIHOOD_UNSPECIFIED: 指定なし
VERY_UNLIKELY: 可能性が低くても検知（誤検知リスク大）
LIKELY: 多分そうだろう（バランス型）
VERY_LIKELY: 間違いない（検知漏れリスクあり）

例えば、単なる商品コードがクレジットカード番号として誤検知されてしまう場合、このしきい値を引き上げたり、DLPの「除外ルール（Exclusion Rules）」を追加したりして精度をチューニングします。

独自の用語（社内プロジェクト名など）を辞書登録する

Cloud DLPには、プリセットされた判定基準だけでなく、独自の辞書を定義できる「Custom InfoType」機能が備わっています。

社外秘のプロジェクト名や、独自の顧客IDフォーマットを登録しておくことで、業界特有の機密情報も確実に保護できます。組織固有のデータを守る上で、非常に有効な手段です。

まとめ：セキュリティを「武器」にしてAI活用を加速させよう

あなたのGoogle CloudプロジェクトID - Section Image 3

Vertex AIとCloud DLPを連携させた、セキュアなAI基盤の実装方法を解説しました。

この仕組みを導入することで、組織内でのコミュニケーションは大きく変わる可能性があります。情報漏洩のリスクを理由にAI導入を躊躇していた部門に対しても、「入力データは全てGoogleのDLPエンジンで検閲し、機密情報を自動的にマスキングする仕組みが稼働している」と具体的なシステム構成で説明できます。

セキュリティ対策は、新しい技術の導入を阻む障壁ではありません。むしろ、安全性がシステムレベルで担保されているからこそ、組織はリスクを恐れずにAIの可能性を最大限に引き出すことができます。

この設計思想をベースに、自社の要件に合わせた安全なAIアプリケーションの構築を進めてみてください。

継続的に学び、スキルを磨く

クラウドのAIサービスやセキュリティ機能は絶えず進化しています。最新のモデル機能やアーキテクチャのベストプラクティスをキャッチアップし、システムの堅牢性を高め続けることが重要です。今回紹介したDLPの設定も、要件に合わせて細かくカスタマイズが可能です。

【Python付】Vertex AI×Cloud DLPで構築する「情報漏洩しない」安全なAI活用基盤 - Conclusion Image

コメントは1週間で消えます

コメントを読み込み中...