LLM Guard ನ ರೆಪೊಸಿಟರಿಯನ್ನು ಜುಲೈ 9, 2026 ರಂದು ಆರ್ಕೈವ್ ಮೋಡ್ಗೆ (archive mode) ಬದಲಾಯಿಸಲಾಯಿತು, ಇದರಿಂದಾಗಿ ಎಲ್ಲಾ ಕೋಡ್ ಮತ್ತು ಮಾಡೆಲ್ ಅಪ್ಡೇಟ್ಗಳು ಕೊನೆಗೊಂಡಿವೆ.
ಈ ಬದಲಾವಣೆ ಏಕೆ ಮುಖ್ಯ
LLM Guard ಎಂಬುದು ಮ್ಯಾನೇಜ್ಡ್ ಸರ್ವಿಸ್ಗಾಗಿ (managed service) ಹಣ ಪಾವತಿಸದೆ, ಡೆವಲಪರ್ಗಳು "rails"ಗಳನ್ನು - ಅಂದರೆ ಲಾರ್ಜ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾಡೆಲ್ (LLM) ಮುಂದೆ ಅಥವಾ ಹಿಂದೆ ಇರಿಸುವ ತಪಾಸಣೆಗಳನ್ನು - ಸೇರಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುವ ಕೆಲವೇ ಕೆಲವು ಉಚಿತ, ಸಮುದಾಯದಿಂದ ನಿರ್ವಹಿಸಲ್ಪಡುವ ಟೂಲ್ಕಿಟ್ಗಳಲ್ಲಿ ಒಂದಾಗಿತ್ತು. ಈ ಪ್ರಾಜೆಕ್ಟ್ ಸ್ಥಗಿತಗೊಂಡಿರುವುದರಿಂದ, ಆ ಸುರಕ್ಷತಾ ಕ್ರಮಗಳು ಮಾಯವಾಗುತ್ತಿವೆ. ಅದೇ ಸಮಯದಲ್ಲಿ, ವಿಶಾಲವಾದ AI-security ಮಾರುಕಟ್ಟೆಯು ಏಕೀಕರಣಗೊಳ್ಳುತ್ತಿದೆ: Protect AI ಅನ್ನು Palo Alto Networks ವ吸ಹಿಸಿದೆ, Lakera ಅನ್ನು Check Point ವ吸ಹಿಸಿದೆ ಮತ್ತು OpenAI ಸಂಸ್ಥೆಯು promptfoo ಅನ್ನು ಸ್ವಾಧೀನಪಡಿಸಿಕೊಂಡಿದೆ. ಮಾರುಕಟ್ಟೆಯು ಸ್ವತಂತ್ರ ಪ್ರಾಜೆಕ್ಟ್ಗಳ ಸಮೂಹದಿಂದ ಕೆಲವು ಪ್ಲಾಟ್ಫಾರ್ಮ್-ಮಟ್ಟದ ಸೇವೆಗಳತ್ತ ಬದಲಾಗುತ್ತಿದೆ, ಮತ್ತು ಡೆವಲಪರ್ಗಳು ತಮ್ಮ ಮುಂದಿನ ರಕ್ಷಣಾತ್ಮಕ ವ್ಯವಸ್ಥೆಯನ್ನು ಎಲ್ಲಿ ಸ್ಥಾಪಿಸಬೇಕು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಬೇಕಾಗಿದೆ.
ಪರಿಹರಿಸಬೇಕಾದ ಮೂರು ಗಾರ್ಡ್ರೈಲ್ ಸಮಸ್ಯೆಗಳು
- Input rails – ಬಳಕೆದಾರರ ಪ್ರಾಂಪ್ಟ್ ಮಾಡೆಲ್ಗೆ ತಲುಪುವ ಮೊದಲು ಅದನ್ನು ಪರೀಕ್ಷಿಸುವ ಫಿಲ್ಟರ್ಗಳು, ಇವು ಇಂಜೆಕ್ಷನ್ ಪ್ರಯತ್ನಗಳನ್ನು (injection attempts) ಮತ್ತು ಜೈಲ್ಬ್ರೇಕ್ ತಂತ್ರಗಳನ್ನು ತಡೆಯುತ್ತವೆ.
- Output rails – ಮಾಡೆಲ್ನ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಸ್ಕ್ಯಾನರ್ಗಳು, ಇವು ವಿಷಕಾರಿ ಭಾಷೆ (toxic language), ಕಾಪಿರೈಟ್ ಮಾಡಲಾದ ವಿಷಯ ಅಥವಾ ಅಚಾತುರ್ಯದಿಂದ ಖಾಸಗಿ ಡೇಟಾ ಬಯಲಾಗುವುದನ್ನು ತಡೆಯುತ್ತವೆ.
- Red-team testing – ಮಾಡೆಲ್ ಮತ್ತು ಅದರ ಗಾರ್ಡ್ಗಳು 알려ದ ದಾಳಿ ಮಾದರಿಗಳ ವಿರುದ್ಧ ಹೇಗೆ ನಿಲ್ಲುತ್ತವೆ ಎಂಬುದನ್ನು ಪರಿಶೀಲಿಸಲು ಅಭಿವೃದ್ಧಿಯ ಸಮಯದಲ್ಲಿ (ಸಾಮಾನ್ಯವಾಗಿ CI/CD ಪೈಪ್ಲೈನ್ಗಳಲ್ಲಿ) ನಡೆಸುವ ವಿರೋಧಾತ್ಮಕ ಪರೀಕ್ಷಾ ಸರಣಿ. ಈ ಹಂತವು ಉತ್ಪಾದನಾ ಹಂತಕ್ಕೆ (production) ತಲುಪುವ ಮೊದಲೇ ದೌರ್ಬಲ್ಯಗಳನ್ನು ಹೊರಹಾಕುತ್ತದೆ; ಇದು ರನ್ಟೈಮ್ ಫಿಲ್ಟರ್ ಅಲ್ಲ.
ರೆಡ್-ಟೀಮ್ ಟೆಸ್ಟಿಂಗ್ ಅನ್ನು ಲೈವ್ ಬ್ಲಾಕ್ ಆಗಿ ಪರಿಗಣಿಸುವುದು ಸುಳ್ಳು ಭದ್ರತೆಯ ಭಾವನೆಯನ್ನು ನೀಡಬಹುದು.
ಇನ್ನೂ ಚಾಲ್ತಿಯಲ್ಲಿರುವ ಓಪನ್-ಸೋರ್ಸ್ ಪರ್ಯಾಯಗಳು
| Tool | License | ವಿಶೇಷತೆ (Sweet spot) |
|---|---|---|
| NeMo Guardrails | Apache 2.0 | ಸಂಕೀರ್ಣವಾದ ಮಲ್ಟಿ-ಟರ್ನ್ ಸಂಭಾಷಣೆಗಳು ಮತ್ತು ರಿಟ್ರಿವಿಲ್-ಆಗ್ಮೆಂಟೆಡ್ ಜನರೇಷನ್ (RAG); ಗಾರ್ಡ್ರೈಲ್ ಲಾಜಿಕ್ ಅನ್ನು ಘೋಷಿಸಲು Colang ಎಂಬ ಡೊಮೇನ್-ನಿರ್ದಿಷ್ಟ ಭಾಷೆಯನ್ನು ಬಳಸುತ್ತದೆ. |
| Guardrails AI | Apache 2.0 | ಹಂತ ಹಂತದ ವ್ಯಾಲಿಡೇಶನ್ – ನಿಂದನೀಯ ಭಾಷೆ ಅಥವಾ ಅನುಮತಿಸದ ವಿಷಯಗಳಂತಹ ನಿರ್ದಿಷ್ಟ ಅಪಾಯಕ್ಕಾಗಿ ಒಂದೊಂದೇ ನಿಯಮವನ್ನು ಸೇರಿಸಬಹುದು. |
| Presidio | MIT | ವೈಯಕ್ತಿಕವಾಗಿ ಗುರುತಿಸಬಹುದಾದ ಮಾಹಿತಿ (PII) ಯ ಆಫ್ಲೈನ್ ಪತ್ತೆ ಮತ್ತು ಮಾಸ್ಕಿಂಗ್; ಈಗ ಇದು ಸಮುದಾಯದ ಮಾಲೀಕತ್ವದಲ್ಲಿದೆ, ಆದರೆ ತಪ್ಪು ಪಾಸಿಟಿವ್ಗಳನ್ನು (false positives) ತಪ್ಪಿಸಲು ನೀವು ಸ್ವತಃ ಎಂಟಿಟಿ ಪಟ್ಟಿಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಬೇಕು. |
| Llama Prompt Guard 2 | ಪ್ರಾಂಪ್ಟ್ ಇಂಜೆಕ್ಷನ್ ಮತ್ತು ಜೈಲ್ಬ್ರೇಕ್ ಪ್ರಯತ್ನಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವತ್ತ ಗಮನಹರಿಸುವ ಸೆಲ್ಫ್-ಹೋಸ್ಟೆಡ್ ಕ್ಲಾಸಿಫೈಯರ್. | |
| promptfoo | MIT | CI ಪೈಪ್ಲೈನ್ಗಳೊಂದಿಗೆ ಸಂಯೋಜಿತವಾಗಿರುವ ರೆಡ್-ಟೀಮ್ ಫ್ರೇಮ್ವರ್ಕ್; ಇದು ನಿಮ್ಮ ಮಾಡೆಲ್ ವಿರುದ್ಧ ನೂರಾರು ಅಟ್ಯಾಕ್ ವೆಕ್ಟರ್ಗಳನ್ನು ಚಲಾಯಿಸಬಹುದು ಮತ್ತು ಯಶಸ್ವಿಯಾದವುಗಳನ್ನು ವರದಿ ಮಾಡಬಹುದು. |
ಈ ಪ್ರಾಜೆಕ್ಟ್ಗಳು ಇನ್ನೂ ಸಮುದಾಯದ ಕೊಡುಗೆಗಳನ್ನು ಪಡೆಯುತ್ತಿವೆ ಮತ್ತು ಅವುಗಳ ಸೋರ್ಸ್ ಕೋಡ್ ಸೆಲ್ಫ್-ಹೋಸ್ಟಿಂಗ್ ಅಥವಾ ಕಸ್ಟಮ್ ಪೈಪ್ಲೈನ್ಗಳಿಗೆ ಸೇರಿಸಲು ಮುಕ್ತವಾಗಿ ಲಭ್ಯವಿದೆ.
ಗಮನಿಸಬೇಕಾದ ಮ್ಯಾನೇಜ್ಡ್ ಗಾರ್ಡ್ರೈಲ್ಗಳು
ನೀವು ಸುಲಭವಾದ ಟರ್ನ್ಕೀ (turnkey) ಪರಿಹಾರವನ್ನು ಬಯಸಿದರೆ, ಪ್ರಮುಖ ಎರಡು ಕ್ಲೌಡ್ ಪ್ರೊವೈಡರ್ಗಳು ಈಗ ತಮ್ಮ LLM ಸೇವೆಗಳಲ್ಲಿ ಗಾರ್ಡ್ರೈಲ್ಗಳನ್ನು ಒಳಗೊಂಡಿವೆ:
- Amazon Bedrock Guardrails – ಪ್ರತಿ ವಿನಂತಿಗೆ (request) ಬದಲಾಯಿಸಬಹುದಾದ ಕಾನ್ಫಿಗರಬಲ್ ಪಾಲಿಸಿಗಳು.
- Azure Prompt Shields – Azure OpenAI ಸರ್ವಿಸ್ನೊಂದಿಗೆ ಸಂಯೋಜಿತವಾಗಿರುವ ಇದೇ ರೀತಿಯ ರನ್ಟೈಮ್ ಫಿಲ್ಟರ್ಗಳು.
ಎರಡೂ ಪ್ರತಿ ವಿನಂತಿಗೆ ಶುಲ್ಕವನ್ನು ವಿಧಿಸುತ್ತವೆ; ಒಂದು ಮಿಲಿಯನ್ ಕರೆಗಳು ಬೇಗನೆ ನೂರಾರು ಡಾಲರ್ಗಳಿಗೆ ತಲುಪಬಹುದು. ಬಜೆಟ್ ಬಗ್ಗೆ ಎಚ್ಚರವಿರುವ ತಂಡಗಳು ಇವುಗಳನ್ನು ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಬಳಸುವ ಮೊದಲು ನಿರೀಕ್ಷಿತ ಟ್ರಾಫಿಕ್ ಅನ್ನು ಅಂದಾಜಿಸಬೇಕು.
ನಿಮ್ಮ ಸೆಕ್ಯೂರಿಟಿ ಸ್ಟ್ಯಾಕ್ ಅನ್ನು ಹೇಗೆ ಮರುನಿರ್ಮಿಸುವುದು
- “Lethal trifecta” ಅನ್ನು ಗುರುತಿಸಿ. ನಿಮ್ಮ ಅಪ್ಲಿಕೇಶನ್ (a) ಖಾಸಗಿ ಡೇಟಾ ಸ್ಟೋರ್ಗಳು, (b) ನಂಬಲಸಾಧ್ಯವಾದ ಬಳಕೆದಾರರ ಇನ್ಪುಟ್ ಮತ್ತು (c) ಬಾಹ್ಯ ನೆಟ್ವರ್ಕ್ ಕರೆಗಳನ್ನು ಎಲ್ಲಿ ಸ್ಪರ್ಶಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಗುರುತಿಸಿ. ಇವುಗಳಲ್ಲಿ ಯಾವುದನ್ನಾದರೂ ತೆಗೆದುಹಾಕುವುದರಿಂದ ಯಾವುದೇ ಒಂದೇ ಗಾರ್ಡ್ರೈಲ್ ಮಾಡುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ಮಟ್ಟದಲ್ಲಿ ಅಟ್ಯಾಕ್ ಸರ್ಫೇಸ್ ಅನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು.
- Presidio ಅನ್ನು ಮೊದಲೇ ನಿಯೋಜಿಸಿ. ನೀವು ಮಾಡೆಲ್ಗೆ ನೀಡಲು ಯೋಜಿಸಿದ ಯಾವುದೇ ಡೇಟಾದ ಮೇಲೆ ಇದನ್ನು ಚಲಾಯಿಸಿ. ಎಂಟಿಟಿ ಪಟ್ಟಿಯನ್ನು ಕಸ್ಟಮೈಸ್ ಮಾಡಿ – ಡಿಫಾಲ್ಟ್ ಸೆಟ್ ಅನೇಕ ಸಾಮಾನ್ಯ ಸ್ಟ್ರಿಂಗ್ಗಳನ್ನು PII ಎಂದು ಗುರುತಿಸುತ್ತದೆ, ಇದು ಮುಂದಿನ ಪ್ರೊಸೆಸಿಂಗ್ ಅನ್ನು ಹಾಳುಮಾಡಬಹುದು.
- ಇನ್ಪುಟ್ ರೈಲ್ ಅನ್ನು ಸೇರಿಸಿ. Llama Prompt Guard 2 ನಂತಹ ಲೈಟ್ವೇಯ್ಟ್ ಕ್ಲಾಸಿಫೈಯರ್ ಅಥವಾ Guardrails AI ನಿಂದ ರೂಲ್-ಬೇಸ್ಡ್ ಗಾರ್ಡ್ನೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ. ಸ್ಪಷ್ಟವಾದ ಇಂಜೆಕ್ಷನ್ ಮಾದರಿಗಳು ಮಾಡೆಲ್ಗೆ ತಲುಪುವ ಮೊದಲೇ ಅವುಗಳನ್ನು ತಡೆಯಿರಿ.
- ಔಟ್ಪುಟ್ ಚೆಕ್ಗಳನ್ನು ಪದರಗಳಾಗಿ ಸೇರಿಸಿ. NeMo Guardrails ಅಥವಾ Guardrails AI ಮಾಡೆಲ್ನ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪೋಸ್ಟ್-ಪ್ರೊಸೆಸ್ ಮಾಡಬಹುದು, ಇದರಿಂದ ತಪ್ಪಿಹೋಗುವ ವಿಷಕಾರಿ ಭಾಷೆ ಅಥವಾ ಗೌಪ್ಯ ಮಾಹಿತಿಗಳನ್ನು ತೆಗೆದುಹಾಕಬಹುದು.
- promptfoo ಅನ್ನು CI ಗೆ ಸಂಯೋಜಿಸಿ. ಅದರ ವರದಿಗಳನ್ನು ಚೆಕ್ಲಿಸ್ಟ್ ಆಗಿ ಪರಿಗಣಿಸಿ; ಹೊಸದಾಗಿ ಪತ್ತೆಯಾದ ಪ್ರತಿಯೊಂದು ಬೈಪಾಸ್ ಅನ್ನು ನಿಮ್ಮ ಇನ್ಪುಟ್ ಅಥವಾ ಔಟ್ಪುಟ್ ರೈಲ್ನಲ್ಲಿ ನಿಯಮವಾಗಿ ರೂಪಿಸಬೇಕು.
- ಪ್ರತಿ ಬ್ಲಾಕ್ ಅನ್ನು ಲಾಗ್ ಮಾಡಿ. ಮೂಲ ವಿನಂತಿ, ತಿರಸ್ಕರಿಸಲು ಕಾರಣ ಮತ್ತು ತೆಗೆದುಕೊಳ್ಳಲಾದ ಕ್ರಮವನ್ನು ಸಂಗ್ರಹಿಸಿ. ಲಾಗ್ ಇಲ್ಲದೆ ನೀವು ಥ್ರೆಶೋಲ್ಡ್ಗಳನ್ನು ಹೊಂದಾಣಿಕೆ ಮಾಡಲು ಅಥವಾ ಅನುಸರಣೆಯನ್ನು (compliance) ಪರಿಶೀಲಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.
ವಿರೋಧಾತ್ಮಕ ಅಂಶ: ಮ್ಯಾನೇಜ್ಡ್ ಸರ್ವಿಸ್ಗಳು vs ಓಪನ್ ಸೋರ್ಸ್
ಮ್ಯಾನೇಜ್ಡ್ ಗಾರ್ಡ್ರೈಲ್ಗಳು ಸೆಲ್ಫ್-ಹೋಸ್ಟಿಂಗ್, ಪ್ಯಾಚಿಂಗ್ ಮತ್ತು ಕ್ಲಾಸಿಫೈಯರ್ಗಳನ್ನು ಸ್ಕೇಲ್ ಮಾಡುವ ಕಾರ್ಯಾಚರಣೆಯ ಹೊರೆಯಿಂದ ನಿಮ್ಮನ್ನು ಮುಕ್ತಗೊಳಿಸುತ್ತವೆ. ಆದಾಗ್ಯೂ, ಅವು ನಿಮ್ಮನ್ನು ಒದಗಿಸುವವರ ಬೆಲೆ ಮತ್ತು ನೀತಿ ಮಾದರಿಗೆ ಕಟ್ಟಿಹಾಕುತ್ತವೆ, ಇದು ವಿಶಿಷ್ಟ ನಿಯಂತ್ರಕ ಅವಶ್ಯಕತೆಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗದಿರಬಹುದು. ಓಪನ್-ಸೋರ್ಸ್ ಪರಿಕರಗಳು ನಿಮಗೆ ಸಂಪೂರ್ಣ ನಿಯಂತ್ರಣವನ್ನು ನೀಡುತ್ತವೆ ಮತ್ತು ಇವುಗಳನ್ನು ಆನ್-ಪ್ರೆಮಿಸ್ನಲ್ಲಿ ನಡೆಸಬಹುದು, ಆದರೆ ಅವುಗಳನ್ನು ಅಪ್ಡೇಟ್ ಮಾಡಲು ಮತ್ತು ಹೊಸ ದಾಳಿ ತಂತ್ರಗಳನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲು ಇಂಜಿನಿಯರಿಂಗ್ ಪ್ರಯತ್ನದ ಅಗತ್ಯವಿರುತ್ತದೆ. ತಂಡಗಳು ಸಿಬ್ಬಂದಿಯ ಸಮಯದ ವೆಚ್ಚವನ್ನು ಕ್ಲೌಡ್ ಗಾರ್ಡ್ರೈಲ್ನ ಪ್ರತಿ-ವಿನಂತಿ ಶುಲ್ಕದೊಂದಿಗೆ ಹೋಲಿಸಿ ಪರಿಗಣಿಸಬೇಕು.
ಮುಂದೆ ಗಮನಿಸಬೇಕಾದವುಗಳು
- ವೆಂಡರ್ ರೋಡ್ಮ್ಯಾಪ್ಗಳು. Palo Alto ಮತ್ತು Check Point ನ AI-security ಉತ್ಪನ್ನಗಳ ಪ್ರಕಟಣೆಗಳ ಮೇಲೆ ನಿಗಾ ಇರಿಸಿ; ಅವರು ಸ್ವಾಧೀನಪಡಿಸಿಕೊಂಡ ಪರಿಕರಗಳ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ವ್ಯಾಪಕವಾದ ಸೂಟ್ಗಳಿಗೆ ಸೇರಿಸುವ ಸಾಧ್ಯತೆಯಿದೆ.
- ಸಮುದಾಯದ ಚಟುವಟಿಕೆ. ಇತ್ತೀಚಿನ pull-request ಚಟುವಟಿಕೆ ಮತ್ತು ಬಿಡುಗಡೆಯ ಆವರ್ತನದ ಮೂಲಕ NeMo Guardrails ಮತ್ತು Presidio ನಂತಹ ಯೋಜನೆಗಳ ಆರೋಗ್ಯವನ್ನು ಅಳೆಯಿರಿ. ಸ್ಥಗಿತಗೊಂಡಿರುವ ರೆಪೊಸಿಟರಿ ಹೊಸ ಪರ್ಯಾಯವು ಹೊರಹೊಮ್ಮುತ್ತಿದೆ ಎಂಬುದರ ಸಂಕೇತವಾಗಿರಬಹುದು.
- ನಿಯಂತ್ರಕ ಮಾರ್ಗದರ್ಶನ. ಸರ್ಕಾರಗಳು AI-ಸೃಷ್ಟಿತ ವಿಷಯ ಮತ್ತು ಡೇಟಾ ಸಂರಕ್ಷಣೆಯ ನಿಯಮಗಳನ್ನು ಬಿಗಿಗೊಳಿಸುತ್ತಿದ್ದಂತೆ, ಯಾವುದೇ ಗಾರ್ಡ್ರೈಲ್ ತಂತ್ರವು ಲೆಕ್ಕಪರಿಶೋಧನೆಗೆ (auditable) ಒಳಪಡುವಂತಿರಬೇಕು. ಅನೇಕ ನ್ಯಾಯವ್ಯಾಪ್ತಿಗಳಲ್ಲಿ ಲಾಗಿಂಗ್ ಮತ್ತು ಟ್ರೇಸಿಬಿಲಿಟಿ ಕಡ್ಡಾಯವಾಗಲಿವೆ.
ಸಾರಾಂಶ
LLM Guard ಅಧಿಕೃತವಾಗಿ ನಿಲ್ಲಿಸಲ್ಪಟ್ಟಿದ್ದರಿಂದ, ಡೆವಲಪರ್ಗಳು ತಮ್ಮ LLM-ಚಾಲಿತ ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ಸುರಕ್ಷಿತವಾಗಿಡಲು ಇನ್ಪುಟ್ ಫಿಲ್ಟರ್ಗಳು, ಔಟ್ಪುಟ್ ಸ್ಯಾನಿಟೈಸರ್ಗಳು ಮತ್ತು ಅಡ್ವರ್ಸರಿಯಲ್ ಟೆಸ್ಟಿಂಗ್ನ ಮಿಶ್ರಣವನ್ನು ಬಳಸಬೇಕಾಗುತ್ತದೆ. NeMo Guardrails, Guardrails AI, Presidio, Llama Prompt Guard 2 ಮತ್ತು promptfoo ನಂತಹ ಓಪನ್-ಸೋರ್ಸ್ ಯೋಜನೆಗಳು ಮೂಲಭೂತ ಅಂಶಗಳನ್ನು ಒದಗಿಸುತ್ತವೆ, ಆದರೆ ಕ್ಲೌಡ್-ನೇಟಿವ್ ಗಾರ್ಡ್ರೈಲ್ಗಳು ಬೆಲೆಯೊಂದಿಗೆ ಅನುಕೂಲತೆಯನ್ನು ನೀಡುತ್ತವೆ. ನಿರ್ಣಾಯಕ ಅಂಶವೆಂದರೆ ನೀವು ಯಾವ ಪರಿಕರವನ್ನು ಆರಿಸುತ್ತೀರಿ ಎಂಬುದಲ್ಲ, ಬದಲಿಗೆ ವಿಕಸನಗೊಳ್ಳುತ್ತಿರುವ ಬೆದರಿಕೆಯ ಪರಿಸರಕ್ಕೆ ಮುಂಚಿತವಾಗಿ ನೀವು ಒಂದು ವ್ಯವಸ್ಥಿತ ಪ್ರಕ್ರಿಯೆಯನ್ನು—audit, protect, test, ಮತ್ತು log—ಸ್ಥಾಪಿಸುತ್ತೀರಾ ಎಂಬುದಾಗಿದೆ.