GEMINI KLASSIFICERAR FILER I GOOGLE DRIVE – PILOTERA ETIKETTERNA FÖRE STYRNING
Google har öppnat Gemini-baserad dataklassificering i Drive som beta. Administratören kan beskriva på vanligt språk vad etikettalternativen betyder och låta Gemini applicera utvalda värden. Men en etikett som ser rimlig ut är inte redo att styra DLP, retention eller agentåtkomst. Kör först en isolerad pilot där varje fel kan granskas och där utfallet blir stoppa, justera eller skala upp.
Öppen beta är startskottet för ett prov – inte för skarp styrning
I Google Workspace Updates (öppnas i ny flik) beskrivs Gemini-baserad dataklassificering i Google Drive som öppen beta. I stället för att först träna en organisationsspecifik modell kan administratören skriva instruktioner för en klassificeringsetikett och låta Gemini bedöma filinnehåll.
Det minskar startsträckan, men inte behovet av kontroll. En felaktig etikett kan bli särskilt känslig om den senare används som villkor för åtkomst, gallring eller vilka filer en agent får hitta. Under pilotperioden ska etiketten därför vara observerbar men utan skarp konsekvens: ingen ny DLP-blockering, ingen automatisk retention och ingen förändrad agentåtkomst ska bero på pilotvärdet.
Den här artikeln kompletterar den bredare genomgången av Gemini för organisationer. Den generella kontrollen av metadata inför en AI-pilot finns i Diggs metadata-prov. Här är frågan snävare: fungerar just era Gemini-instruktioner, på era Drive-filer, tillräckligt väl för att organisationen ska gå vidare?
Avgränsa urval, etikett och konsekvens innan ni slår på auto-apply
Börja med ett klassificeringsfält och högst tre värden, exempelvis Publik, Intern och Skyddsvärd. Välj sedan 300 filer: 100 som verksamheten bedömer tillhör varje värde. Siffrorna är en lokal pilotdesign, inte ett krav från Google. Ett mindre urval kan vara rimligt för ett första tekniskt prov, men 300 gör det möjligt att se om en kategori fungerar betydligt sämre än de andra.
Urvalet ska spegla vardagen, inte bara enkla skolexempel. Ta med minst fem filtyper som faktiskt förekommer, dokument från minst tre verksamhetsdelar, både korta och långa texter, äldre och nyare material samt 20 par av identiska eller nästan identiska filer. Google förklarar i sin administratörsdokumentation för AI-klassificering (öppnas i ny flik) att Gemini-instruktioner är probabilistiska och ibland kan ge olika alternativ för identiska eller nästan identiska filer. Dublettparen visar om den variationen blir praktiskt betydelsefull hos er.
Kontrollera också behörighet och omfattning före start. Google anger att filer måste ligga i delade enheter eller ägas av användare med licenser som stöder klassificeringsetiketter. Dokumentera därför ägare, delad enhet, filtyp och om filen faktiskt är möjlig att klassificera. Annars riskerar utebliven etikett att räknas som ett modellfel när orsaken är räckvidd eller licens.
Skriv samma tre delar för varje etikettalternativ
Google ber administratören beskriva vad varje alternativ representerar, hur Gemini ska känna igen det och hur undantag ska hanteras. Gör dessa tre delar granskningsbara. Undvik cirklar som ”Skyddsvärd är information som är skyddsvärd” och ensamma nyckelord som ”sekretess”. Ett ord kan förekomma i en mall eller utbildning utan att själva dokumentet ska få etiketten.
Ett pilotutkast för värdet Skyddsvärd kan se ut så här:
Beställningen och poängkriteriet måste mäta samma sak. Om instruktionen gäller personkopplade ärenden, säkerhetsinformation och begränsade avtalsvillkor ska facit och felanalys skilja på just dessa tre grunder. Lägg inte efteråt till en poäng för ekonomiska prognoser, eftersom instruktionen inte beställde dem.
Låt två personer klassificera före Gemini och mät fyra utfall
Två utsedda granskare sätter var sitt facit utan att se Geminis etikett. Vid oenighet fattar en tredje ansvarig beslut och skriver skälet. Den ordningen minskar risken att AI-resultatet i efterhand påverkar vad människorna tycker att rätt svar borde vara.
Räkna sedan per etikettvärde: sant positivt, falskt positivt, falskt negativt och sant negativt. För Skyddsvärd är ett falskt positivt dokument en fil som Gemini märker skyddsvärd trots att facit säger något annat. Ett falskt negativt dokument är en fil som facit bedömer skyddsvärd men som Gemini inte märker så. Redovisa både antal och andel med nämnare, exempelvis ”6 av 100 skyddsvärda facitfiler missades”.
Sätt beslutströskeln före körningen. Ett exempel är: stoppa redan vid ett falskt negativt fall i kategorin säkerhetsinformation, justera om mer än 5 av 100 filer i något etikettvärde får fel värde och skala endast om alla kritiska fall är rätt, högst 5 av 100 är fel per värde och minst 19 av 20 dublettpar får samma etikett. Trösklarna är ett lokalt styrbeslut, inte ett produktlöfte. En organisation med högre konsekvens ska välja strängare gränser.
Behandla varje ändring som en signal – inte automatiskt som facit
Google anger att användare med rätt fil- och etikettbehörighet kan acceptera eller ändra en automatiskt applicerad etikett. När en användare accepterar eller ändrar värdet behandlas etiketten som användarapplicerad, och AI-klassificeringen ändrar den inte längre. Därför behöver piloten fånga både ursprungligt AI-värde och senare användarvärde.
Exportera eller registrera minst följande för varje granskad fil: fil-id, facit, första AI-värde, tidpunkt, användaråtgärd, nytt värde, användarens kommentar och slutligt granskarbeslut. En användare kan rätta ett AI-fel, men kan också välja den etikett som gör arbetet enklast. Låt därför inte rå ändringsfrekvens ensam bli kvalitetsmått.
Administratörsvyns diagram för User acceptance bygger enligt Google på de föregående 180 dagarna och skiljer bland annat mellan granskade och accepterade etiketter. Det är användbart efter en längre driftperiod, men en kort pilot behöver en egen filnivålogg för att kunna koppla ändringen till instruktion, dokumenttyp och facit.
Kontrollera att ni kan följa händelsen innan etiketten får konsekvenser
Drive-händelseloggen visar enligt Google händelserna Label applied och Label field value changed, med uppgifter om dokument och tilldelat etikettvärde. Välj 30 pilotfiler och följ kedjan från auto-apply till eventuell användarändring. För varje fil ska ni kunna svara på när etiketten sattes, vilket värde som sattes, om någon ändrade den och vilket underlag som avgjorde det slutliga facit.
Gör också ett konfliktprov med tio kopior i en separat testyta. Sätt en manuell etikett på några filer och låt en befintlig testregel sätta värde på andra. Google redovisar att DLP-regler och manuellt satta etiketter kan ha högre prioritet än AI-klassificering. Provet ska visa vad administratören faktiskt ser när flera mekanismer möts, utan att ändra åtkomst för produktionsfiler.
Skanningstakten måste passa mätperioden. Google anger att filer i vila skannas minst en gång inom en till två veckor efter aktiverad auto-apply och att inaktiv filskanning behöver slås på manuellt för Gemini-instruktioner. Sätt därför inte ett slutdatum efter tre dagar och tolka oklassificerade äldre filer som missar. Logga när auto-apply aktiverades och när varje fil först fick ett värde.
Välj stoppa, justera eller skala upp med samma protokoll
- Stoppa om ett kritiskt falskt negativt fall passerar, om filägare eller licensräckvidd inte går att avgränsa eller om loggen inte binder samman fil, tidpunkt och etikettvärde.
- Justera om felen samlas kring en dokumenttyp, ett oklart undantag eller ett etikettvärde. Ändra en del av instruktionen, versionsmärk den och kör om samma facit plus 60 nya filer.
- Skala upp endast om de förhandssatta trösklarna nås, ansvarig godkänner protokollet och organisationen har en separat plan för konsekvensen i DLP, retention eller agentåtkomst.
Google rekommenderar ett prov med liten målgrupp före bred utrullning och varnar för att auto-applicerade etiketter inte kan tas bort med en enkel generell ångra-funktion. Spara därför instruktionens version, urvalet, facit, alla fel, loggutdrag och beslutet. När en skarp regel senare kopplas till etiketten ska den förändringen få ett eget test och ett eget godkännande.
Vanliga frågor om Gemini-klassificering i Drive
Kan en Gemini-satt etikett kopplas direkt till DLP?
Tekniskt kan klassificeringsetiketter användas tillsammans med dataskyddsregler, men under piloten bör den nya etiketten inte få skarpa följder. Mät först felutfall, användarändringar och loggarnas täckning.
Är en användarändring bevis för att Gemini klassificerade fel?
Nej. Ändringen är en granskningssignal. Jämför den med fastställda kriterier och låt en utsedd granskare avgöra facit innan instruktionen justeras.
När kan piloten skalas upp?
Först när urvalet är representativt, felmåtten håller beslutade gränser, kritiska falskt negativa fall är utredda och loggar, ansvar och återställningsväg fungerar.
Källor och vidare läsning
- Google Workspace Updates: Gemini-based data classification in Google Drive is now available in open beta (öppnas i ny flik) – produktnyheten och betaformen.
- Google Workspace Admin Help: Label Google Drive files automatically using AI classification (öppnas i ny flik) – instruktioner, omfattning, auto-apply, användarändringar, loggar och prioritet.