#Roller och behörigheter

#Introduktion

Behörighetshantering för AI-medarbetare omfattar två nivåer:

1. Åtkomstbehörigheter för AI-medarbetare: Styr vilka användare som får använda vilka AI-medarbetare.
2. Dataåtkomstbehörigheter: Hur AI-medarbetare tillämpar behörighetskontroller vid databehandling.

Detta dokument beskriver i detalj hur dessa två typer av behörigheter konfigureras och fungerar.

#Konfigurera åtkomstbehörigheter för AI-medarbetare

#Ställa in tillgängliga AI-medarbetare för roller

Gå till sidan User & Permissions, klicka på fliken Roles & Permissions för att komma till konfigurationssidan för roller.

Välj en roll, klicka på fliken Permissions och sedan på fliken AI employees. Här visas en lista över de AI-medarbetare som hanteras i AI employees plugin.

Klicka i kryssrutan i kolumnen Available i listan över AI-medarbetare för att styra om den aktuella rollen kan komma åt den AI-medarbetaren.

#Dataåtkomstbehörigheter

När AI-medarbetare behandlar data beror behörighetskontrollen på vilken typ av verktyg som används:

#Systeminbyggda datafrågeverktyg (följer användarbehörigheter)

Följande verktyg kommer att strikt följa den aktuella användarens databehörigheter för dataåtkomst:

Så fungerar det:

När AI-medarbetare anropar dessa verktyg kommer systemet att:

1. Identifiera den aktuella inloggade användarens identitet.
2. Tillämpa de dataåtkomstregler som konfigurerats för användaren under Roller och behörigheter.
3. Returnera endast den data som användaren har behörighet att se.

Exempelscenario:

Anta att säljare A endast kan se kunddata som hen ansvarar för. När hen använder AI-medarbetaren Viz för att analysera kunder:

• Viz anropar Data source query för att fråga kundsamlingen.
• Systemet tillämpar säljare A:s filtreringsregler för databehörighet.
• Viz kan endast se och analysera kunddata som säljare A har åtkomst till.

Detta säkerställer att AI-medarbetare inte kan kringgå användarens egna dataåtkomstgränser.

#Arbetsflödesanpassade affärsverktyg (oberoende behörighetslogik)

Affärsfrågeverktyg som anpassats via arbetsflöden har behörighetskontroll som är oberoende av användarbehörigheter och bestäms av arbetsflödets affärslogik.

Dessa verktyg används vanligtvis för:

• Fasta affärsanalysprocesser
• Förkonfigurerade aggregerade frågor
• Statistisk analys över behörighetsgränser

#Exempel 1: Overall Analytics (Allmän affärsanalys)

I CRM-demon är Overall Analytics en mallbaserad affärsanalysmotor:

Arbetsflöde:

flowchart TD
    A[AI-medarbetare tar emot uppgift] --> B[Anropar verktyget Overall Analytics]
    B --> C[Skickar in parametern collection_name]
    C --> D[Arbetsflödet matchar motsvarande analysmall]
    D --> E[Utför förkonfigurerad SQL-fråga]
    E --> F[Returnerar affärsanalysdata]
    F --> G[AI-medarbetare genererar diagram och insikter]

Viktiga egenskaper:

• Alla användare som anropar detta verktyg får samma affärsperspektiv.
• Dataomfånget definieras av affärslogiken och filtreras inte av användarbehörigheter.
• Lämplig för att tillhandahålla standardiserade affärsanalysrapporter.

#Exempel 2: SQL Execution (Avancerat analysverktyg)

I CRM-demon är SQL Execution ett mer flexibelt men strikt kontrollerat verktyg:

Säkerhetsrekommendationer:

1. Begränsa omfattning: Aktivera endast i uppgifter inom administrationsblocket.
2. Promptbegränsningar: Definiera tydligt frågeomfång och samlingsnamn i uppgiftsprompten.
3. Arbetsflödesvalidering: Validera SQL-satser i arbetsflödet för att säkerställa att endast SELECT-operationer utförs.
4. Revisionsloggar: Logga alla utförda SQL-satser för spårbarhet.

Exempelkonfiguration:

Uppgiftspromptbegränsningar:
- Kan endast fråga CRM-relaterade samlingar (leads, opportunities, accounts, contacts)
- Kan endast utföra SELECT-frågor
- Tidsomfånget begränsat till det senaste året
- Returnerade resultat får inte överstiga 1000 poster

#Rekommendationer för behörighetsdesign

#Välj behörighetsstrategi efter affärsscenario

#Flerlagers skyddsstrategi

För känsliga affärsscenarier rekommenderas en flerlagers behörighetskontroll:

1. Åtkomstlager för AI-medarbetare: Styr vilka roller som får använda vilken AI-medarbetare.
2. Synlighetslager för uppgifter: Styr om uppgifter visas via blockkonfiguration.
3. Verktygsauktoriseringslager: Verifiera användaridentitet och behörigheter i arbetsflöden.
4. Dataåtkomstlager: Styr dataomfånget via användarbehörigheter eller affärslogik.

Exempel:

Scenario: Endast ekonomiavdelningen kan använda AI för finansiell analys

- AI-medarbetarbehörigheter: Endast ekonomrollen kan komma åt AI-medarbetaren "Finance Analyst"
- Uppgiftskonfiguration: Finansiella analysuppgifter visas endast i ekonomimoduler
- Verktygsdesign: Finansiella arbetsflödesverktyg verifierar användarens avdelning
- Databehörigheter: Åtkomstbehörigheter för ekonomisamlingar beviljas endast ekonomrollen

#Vanliga frågor och svar

#F: Vilken data kan AI-medarbetare komma åt?

S: Det beror på vilken typ av verktyg som används:

• Systeminbyggda frågeverktyg: Kan endast komma åt data som den aktuella användaren har behörighet att se.
• Arbetsflödesanpassade verktyg: Bestäms av arbetsflödets affärslogik och kan vara obegränsade av användarbehörigheter.

#F: Hur förhindrar man att AI-medarbetare läcker känslig data?

S: Använd flerlagers skydd:

1. Konfigurera rollåtkomstbehörigheter för AI-medarbetare för att begränsa vem som får använda dem.
2. För systeminbyggda verktyg, förlita dig på användarens databehörigheter för automatisk filtrering.
3. För anpassade verktyg, implementera affärslogikvalidering i arbetsflöden.
4. Känsliga operationer (som SQL Execution) bör endast auktoriseras till administratörer.

#F: Vad händer om jag vill att vissa AI-medarbetare ska kunna kringgå användarbehörighetsbegränsningar?

S: Använd arbetsflödesanpassade affärsverktyg:

• Skapa arbetsflöden för att implementera specifik affärsfrågelogik.
• Kontrollera dataomfång och åtkomstregler i arbetsflöden.
• Konfigurera verktyg för AI-medarbetare att använda.
• Kontrollera vem som kan anropa denna funktion via AI-medarbetarens åtkomstbehörigheter.

#F: Vad är skillnaden mellan Overall Analytics och SQL Execution?

S:

#Bästa praxis

1. Följ användarbehörigheter som standard: Om det inte finns ett tydligt affärsbehov, prioritera att använda systeminbyggda verktyg som följer användarbehörigheter.
2. Mallbaserad standardanalys: För vanliga analysscenarier, använd Overall Analytics-mönstret för att tillhandahålla standardiserade funktioner.
3. Strikt kontroll av avancerade verktyg: Högprivilegierade verktyg som SQL Execution bör endast auktoriseras till ett fåtal administratörer.
4. Isolering på uppgiftsnivå: Konfigurera känsliga uppgifter i specifika block och implementera isolering via sidåtkomstbehörigheter.
5. Revision och övervakning: Logga AI-medarbetares dataåtkomstbeteende och granska regelbundet avvikande operationer.