GDPR en Geskandeerde Legaat-leers: OCR vir PII
Bygewerk vir 2026
GDPR-oudits ontbloot gereeld dieselfde verborge risiko: ou beeldgebaseerde PDF-argiewe.
Regsmaatskappye bewaar 20 jaar se geskandeerde klientleers. Hospitale hou dekades se pasientforms. Staatsliggame berg geskandeerde rekords. Banke het gebeelde leningsleers.
Hierdie argiewe deel een kenmerk. Die leers is rasterbeelde — geskandeerde PDF's, TIFF, of JPEG. Daar is geen tekslaag nie. Standaard PII-gereedskap kan dit nie lees nie. Vir die meeste anonimiseringsgereedskap bestaan hierdie leers nie.
'n Algemene oortuiging: "Dit is beeldleers — GDPR is nie van toepassing nie."
GDPR Artikel 17(1) gee mense die reg tot uitwissing. Oorweging 26 se dat anonimisering persoonlike inligting buite omvang plaas. Geen van die twee maak 'n uitsondering vir beeldformate nie. 'n Regsfirma wat nie 'n uitwissingsversoek vir 'n 15 jaar oue klientleer kan nakom nie, het 'n nakomingsgaping. Sy het nie 'n vrystelling nie.
Sien ons nakomingoorsig en sekuriteitspraktyke vir hoe ons GDPR ondersteun.
Hoe die Opsporingsverordeningspyp Werk
Die proses loop in drie stadiums.
Stadium 1 — OCR
Die OCR-enjin lees die beeld en onttrek teks. Dit teken die posisie van elke woord aan. Uitvoer is masjienleesbare teks met koordinate. Akkuraatheid daal wanneer handskrif, vervaagde ink, of ou lettertipes teenwoordig is.
Stadium 2 — NLP Entiteitsopsporing
Naamde Entiteitsherkenning (NER) skandeer die OCR-teks. Dit vind persone se name, organisasies, en liggings. Patroonpassing voeg SSN's, telefoonnommers, en rekeningnommers by. Elke treffer kry 'n vertrouesyfer.
Stadium 3 — Anonimisering
Opgespoorde entiteite word in die teksuitvoer vervang. Die oorspronklike beeld word nie verander nie. Om die beeld te verander vereis afsonderlike redigeringsgereedskap. Die geanonimiseerde teks ondersteun uitwissingsversoeke, DSAR-reaksies, en nakomingsrekords.
Moderne OCR-enjins bereik 98–99% karakterakkuraatheid op skoon gedrukte bladsye. Handskrif of gedegradeerde skanderings daal tot 85–92%. Entiteitsvlak-akkuraatheid neig hoer te wees as karaktervlak-akkuraatheid. 'n Naam kan geidentifiseer word selfs wanneer 'n paar letters verkeerd is.
Die praktiese resultaat: OCR-akkuraatheid beinvloed hoeveel entiteite jy vang. Dit bepaal nie of die metode werk nie. Selfs by 90% akkuraatheid vind jy die meeste name en nommers. Kwaliteitsvlakke is steeds nodig. Die metode self is gesond.
Verwerking van 'n Groot Argief
Groot legaatargiewe volg 'n vier-fase werkvloei.
Fase 1 — Inventaris: Lys alle beeldgebaseerde argiewe. Let op die bronstelsel en datumreeks. Plaas hoë-uitwissingsrisiko-rekords eerste. Klientgeorigte leers kom voor interne leers.
Fase 2 — Bondelverwerkng: Voer OCR en PII-opsporing in bondels uit. Vyf tot tienduisend leers per bondel is 'n algemene grootte. Verwerking loop snag. Uitvoer is 'n PII-verslag en 'n geanonimiseerde teksontrekking vir elke leer.
Fase 3 — Uitwissingsnalewering: Die datasubjek stuur 'n versoek met hul naam en tydperk. Soek die geanonimiseerde ontrekkings vir hul tokens. Vind die leers. Redigeer dit. Teken die aksie aan.
Fase 4 — Deurlopende nakoming: Sit nuwe geskandeerde leers deur dieselfde pyplyn voor jy dit argiveer. Hou PII-verslae as Artikel 30 Rekords van Verwerkingsaktiwiteite-bewyse.
Gevallestudie: Regsfirma-Argief
'n Regsfirma-oudit het 80,000 beeldgebaseerde PDF klientkontrakte gevind wat van 1998 tot 2010 geskandeer is. Standaard PII-gereedskap het nul opsporings getoon. Die beeldformaat was onsigbaar.
Vyfien voormalige kliente het uitwissingsversoeke ingedien in die vorige 12 maande. Die firma het gese: "Ons kan nie bevestig dat u rekords uitgewis is nie." Hierdie antwoord voldoen nie aan GDPR Artikel 17 nie.
Wat die firma gedoen het:
- Het OCR en PII-opsporing op alle 80,000 leers in bondels van 5,000 uitgevoer
- Verwerking het sowat drie weke geneem
- Resultaat: 80,000 geanonimiseerde teksontrekkings met per-leer verslae
- Het 'n deursoekbare indeks gebou wat entiteite aan leer-ID's koppel
Na verwerking:
- Vind leers vir een datasubjek: 4 minute gemiddeld
- Leers per versoek: 6–8 gemiddeld
- Redigeringstyd per versoek: 20–30 minute
Alle 15 uitstaande versoeke is binne 30 dae opgelos.
Die kernpunt: die nakomingsverpligting het bestaan voor die verwerking. Die firma het net die gereedskap ontbreek om dit na te kom. OCR-gebaseerde verwerking het nie 'n nuwe plig geskep nie. Dit het 'n bestaande plig moontlik gemaak om te vervul.
OCR-Beperkings en Kwaliteitsvlakke
Handskrif het laer OCR-akkuraatheid. Stel 'n laer vertrouedreumpel voordat handgeskrewe inhoud verwerk word.
Swak skanderingskwaliteit verlaag punte. Kontrasverbetering en de-skeef help voor OCR loop.
Ongewone uitleggens — veelkolom-bladsye, ou regslettertipes — mag ook laer punte behaal.
Stel kwaliteitsvlakke vir nakomingswerk:
- Bo 95% bladsyakkuraatheid: voer outomatiese verwerking uit
- 80–95%: voer outomatiese verwerking uit, daarna menslike hersiening vir gemerkde entiteite
- Onder 80%: stuur na handmatige hersiening
'n Gelaagde benadering gee reguleerders 'n duidelike antwoord oor hoe jy betroubaarheid beoordeel het. Die meeste outomatiese gereedskap hanteer die hoe-vertroue leers. 'n Handmatige tou hanteer die res. Deurset bly hoog. Nakomingskwaliteit bly ook hoog.
Ons Gereelde Vrae dek algemene vrae oor OCR-gebaseerde verwerking en ouditspoorvereistes.