Proč binární detekce PII selhává při plnění compliance
Aktualizováno pro rok 2026
Každý nástroj PII čelí jednomu zásadnímu problému. Stejný řetězec může být osobními údaji na jednom místě a na jiném nikoliv.
„Jan” v souboru zákazníka je subjektem údajů. „Jan” v historické stati o Janu Husovi není. Devítimístné číslo v zdravotním záznamu je kód HIPAA. Stejných devět číslic v kódu produktu není.
Příznak ano/ne s tím nedokáže pracovat. Nutí ke dvěma špatným volbám: redigovat všechny řetězce, které by mohly být PII, nebo redigovat pouze jisté shody. Obě možnosti selhávají v právu, kde každé rozhodnutí musí být jasné a zdokumentované.
Skóre na entitu od 0 do 100 nabízí třetí cestu. Řídí vrstvená pravidla, fronty lidského přezkumu a úplné auditní záznamy.
Limit příznaků ano/ne
Kontext mění význam dat. Dva soubory mohou obsahovat stejný řetězec. V jednom jsou to osobní údaje. V druhém nejsou. Příznak to nedokáže ukázat. Číslo ano.
S pouhým příznakem jsou vaše dvě možnosti špatné. Nadměrná redigace ničí hodnotu dokumentu. Nedostatečná redigace vytváří právní riziko. Ani jedna neobstojí u soudu.
Právní discovery: Proč jsou skóre nezbytná
Legální discovery má pravidla, která činí detekci se skórováním nezbytností.
Problém nadměrné redigace. Redigování jmen advokátů nebo soudních citací poškozuje důkazy. Soudy uložily advokátům pokuty za nadměrnou redigaci. Stejná judikatura, která pokrývá nedostatečnou redigaci, pokrývá i tuto situaci.
Problém nedostatečné redigace. Přehlédnutí skutečného PII vytváří riziko. Zahrnuje porušení soukromí klientů, stížnosti advokátní komoře a na některých místech trestní obvinění.
Potřeba vysvětlit každé rozhodnutí. Když soud požaduje, proč byla položka redigována, musí advokáti to vysvětlit. „Nástroj to označil” nestačí. „Nástroj ohodnotil toto jako 94 % jako číslo sociálního zabezpečení. Naše pravidlo automaticky rediguje nad 85 %.” To stačí.
Příznak ano/ne tuto odpověď nedokáže poskytnout. Nástroj se skórováním s nastavenými pravidly ano. Viz také: Obhajoba redigací: Skóre AI u soudu.
Tříúrovňový systém přezkumu
Nejúčinnější nastavení používá tři úrovně na základě skóre entity.
Úroveň 1 — Automatické (nad 85 %):
- Položky odpovídající formátům s vysokou jistotou (SSN, IBAN, MRN)
- Automaticky redigovány bez lidského kroku
- Záznam zachycuje typ entity, skóre, metodu a čas
- Příklad: „571-44-9283” při 97 % jako SSN — automaticky redigováno
Úroveň 2 — Lidský přezkum (50–85 %):
- Položky, které mohou být PII, ale vyžadují úsudek
- Odeslány kontrolorovi k přijetí, odmítnutí nebo překlasifikaci
- Záznam zachycuje typ entity, skóre, ID kontrolora, rozhodnutí a čas
- Příklad: „Jan Novák” v technickém dokumentu při 67 % — kontrolor potvrdí, že jde o jméno — redigováno
Úroveň 3 — Pouze návrh (pod 50 %):
- Položky s nízkou jistotou zobrazeny jako tipy
- Automaticky neredigovány; kontrolor může jednat nebo přeskočit
- Záznam zachycuje typ entity, skóre a volbu kontrolora
- Příklad: „Novák” v produktovém dokumentu při 42 % — kontrolor zjistí, že jde o název firmy — neredigováno
Lidskou práci vyžaduje pouze úroveň 2. Všechny tři úrovně produkují auditní záznamy.
Jak se skóre konstruují
Nástroje PII kombinují signály k vytvoření jednoho čísla na entitu.
Vzory regulárních výrazů. Přesná shoda formátu SSN dostane vysoké základní skóre. Částečná shoda dostane nižší.
Výstup modelu. Modely pojmenovaných entit přiřazují pravděpodobnost na třídu. Skóre 0,93 pro PERSON dává výsledek s vysokou jistotou.
Kontextové signály. Text kolem entity upravuje skóre. „Moje SSN je 571-44-9283” jej zvyšuje. „Kód produktu 571-44-9283” jej snižuje.
Pravidla ensemblů. Systémy kombinují signály regulárního výrazu, modelu a kontextu s nastavenými váhami. Výsledné číslo odráží veškeré důkazy.
Toto číslo řídí každé rozhodnutí o prahových hodnotách ve vašem pracovním postupu. Více o falešně pozitivních výsledcích z nástrojů ano/ne viz: Daň falešně pozitivních výsledků nástrojů PII.
Pojistné nároky: Reálný příklad
Pojistné spisy mísí zřejmé PII — jméno pojistníka, adresu, SSN — s kontextově závislými daty: jmény svědků, firemními jmény, podpisy likvidátorů.
Nástroj ano/ne buď rediguje všechna jména (špatně pro firmy) nebo přehlédne jména svědků (riziko). Nástroj se skórováním zpracovává každou položku samostatně:
- SSN s popiskem „SSN pojistníka” při 96 % — automaticky redigováno
- Jméno pojistníka označeno PERSON při 91 % — automaticky redigováno
- Firma dodavatele označena ORG při 78 % — kontrolor odmítne redigaci
- Jméno svědka označeno PERSON při 82 % — kontrolor přijme redigaci
- Jméno likvidátora označeno PERSON při 71 % — kontrolor přijme (data třetí strany)
Každé rozhodnutí má číselný základ. Auditní stopa je úplná.
Budování compliance záznamů
Pro článek 5 odst. 1 písm. f) GDPR a bezpečnostní pravidlo HIPAA generují nástroje se skórováním záznamy automaticky.
Auditní záznamy na úrovni entity zachycují typ entity, skóre, typ rozhodnutí (automatické nebo ruční), ID kontrolora a čas. Exportují se jako CSV pro šetření orgánů ochrany dat.
Záznamy prahových hodnot dokumentují aktuální nastavení a každou změnu. Každá změna zahrnuje kdo ji provedl, kdy a proč. To ukazuje řízenou, záměrnou politiku.
Statistické zprávy pokrývají míry detekce podle typu entity, míry přezkumu v úrovni 2 a míry přepsání. Odpovídají orgánu ochrany dat žádajícímu „ukažte nám vaše kontroly”.
Pro pokyny k auditní stopě HIPAA viz: Vysvětlitelná redigace: Audity HIPAA.
Příznak ano/ne je hádáním. Skóre je důkazem.