CNIL Francie: technické požadavky DPA na nástroje pro PII
Francouzský CNIL je nejnáročnějším datovým orgánem v EU. Většina evropských regulátorů formuluje obecná pravidla. CNIL jde dál. Vydává přesné technické pokyny zvané recommandations, které stanovují přesné standardy pro anonymizaci a využití dat v AI.
Oznámení CNIL v roce 2024 často poukazovala na slabou anonymizaci v AI systémech. Úřad přijal v roce 2023 celkem 16 433 stížností — o 43 % více než v roce 2022.
Pokyny CNIL formují politiku EU
Technické texty CNIL hojně citují jiné evropské dozorové úřady. Nejdůležitější jsou dva průvodci.
Guide pratique de l'anonymisation (2023): Tento průvodce se věnuje k-anonymitě, l-diverzitě a diferenciálnímu soukromí. Ukazuje, jak tyto metody použít na francouzská data. Cituje ho ve vlastních pravidlech švédský IMY i další orgány EU.
Pokyny k AI systémům (2024): CNIL uvádí šest typů dat, se kterými je nutné naložit při tréninku AI. Žádný jiný evropský dozorový úřad nezašel v oblasti AI tak daleko.
Pravidla pro cookies: Pokyny CNIL k souborům cookie stanovují nejvyšší technickou laťku pro nástroje souhlasu v EU a jsou pravidelně aktualizovány.
NIR: nejcitlivější francouzský identifikátor
Numéro d'Inscription au Répertoire (NIR) — také označovaný jako numéro de sécurité sociale — je 15místné francouzské číslo sociálního pojištění.
Jeho formát je: S AA MM DD CCC OOO K
- S — 1 číslice: pohlaví
- AA — rok narození
- MM — měsíc narození
- DD — departement narození (01–95, 2A/2B pro Korsiku, 97–99 zámořské departementy, 99 cizinec)
- CCC — kód obce
- OOO — pořadí při narození
- K — 2místný kontrolní klíč (97 − (NIR mod 97))
NIR obsahuje v jediném čísle pohlaví, datum narození a místo narození. CNIL ho považuje za vysoce rizikové. Vyžaduje stejnou péči jako data zvláštní kategorie podle článku 9 GDPR.
Proč nástroje NIR přehlížejí: Generické NLP nástroje selhávají u NIR ze tří důvodů. Za prvé, 15 číslic (často psaných bez mezer) vypadá jako jiná dlouhá čísla. Za druhé, číslice 7–11 obsahují kód departementu. Nástroje, které přeskočí kontrolu mod-97, propouštějí falešně pozitivní výsledky. Za třetí, korsické departementy používají kódy 2A a 2B, nikoliv číslice. Nástroje postavené na vzorech pouze pro číslice zde selhávají.
Dobrá detekce NIR vyžaduje tři věci: kontrolu klíče mod-97, geografický číselník a pravidla zohledňující Korsiku.
Informace o tom, jak do zásobníku ochrany GDPR zapadá pokrytí identifikátorů, viz náš přehled bezpečnostního souladu.
SIREN a SIRET: obchodní identifikátory v osobních souborech
SIREN: 9místné francouzské identifikační číslo firmy s Luhnovou kontrolní číslicí. Vyskytuje se ve všech francouzských obchodních dokumentech.
SIRET: 14místné číslo složené ze SIREN (9 číslic) a kódu provozovny (5 číslic). SIRET identifikuje provozovnu, SIREN identifikuje společnost.
Obchodní spisy často obsahují čísla SIRET vedle jmen zaměstnanců. CNIL považuje kombinaci SIRET a jména za osobní údaj. Tento pár spouští pravidla GDPR i bez samostatného pole s osobními daty.
Šest kroků anonymizace pro tréning AI
Pokyny CNIL k AI z roku 2024 se věnují šesti typům dat. Každý z nich musí být ošetřen před použitím francouzských osobních záznamů v tréninku AI:
- Odstraňte přímé identifikátory — Jména, NIR a SIREN musí být nahrazeny nebo odstraněny
- Zobecněte kvaziidentifikátory — Věk, departement a profese mohou v kombinaci umožnit opětovnou identifikaci; snižte jejich přesnost
- Přidejte šum k číslům — Číselná pole potřebují kalibrovaný šum pro blokování odvozování
- Ověřte k-anonymitu — Každá osoba musí být nerozeznatelná od alespoň k-1 dalších; CNIL doporučuje k ≥ 5
- Ověřte l-diverzitu — Citlivé atributy musí být v každé skupině různorodé
- Proveďte kontrolu rizika opětovné identifikace — Před jakýmkoli zveřejněním dat použijte dokumentovanou metodu
Odstranění NIR a celého jména nestačí. CNIL to potvrdil ve svých řízení. Kvaziidentifikátory jako PSČ a lékařská odbornost také vyžadují ošetření.
Náš průvodce souladem s GDPR popisuje záznamy, které auditoři francouzského dozorového úřadu očekávají.
Jazykový kontext pro detekci francouzského PII
Francie má několik jazykových kontextů, které ovlivňují detekci.
Standardní francouzština je jazykem všech úředních dokumentů. Modely NER musí zpracovat písmena s diakritikou: é, è, ê, ë, à, â, î, ô, û, ç, œ.
Zámořská území (DOM-TOM): Martinik, Guadeloupe, Réunion, Guyana a Mayotte používají kódy NIR v rozsahu 97–98. Vzory jmen se liší od pevninské Francie.
Alsasko-Moselle: V francouzských záznamech se objevují jména německého původu a některé německé formáty dokumentů. Modely trénované pouze na standardní francouzštině je mohou přehlédnout.
Přeshraniční použití: Belgická francouzština používá jiný formát identifikátoru. Nástroje používané ve Francii a Belgii potřebují pravidla pro každou zemi.
Co musí váš nástroj pokrýt
Francouzský soulad vyžaduje čtyři technické schopnosti:
- NIR s kontrolou mod-97 — Pouhé párování vzorů nestačí. Nástroje musí provést kontrolu klíče a zpracovat kódy 2A/2B.
- SIREN/SIRET s Luhnovou kontrolou — Obchodní identifikátory se vyskytují v osobních souborech a vytvářejí kombinace jmen podléhající GDPR.
- Francouzský NER s plnou podporou diakritiky — Musí zpracovat složená jména (Jean-Pierre), partikule (de, du, des) a diakritická písmena.
- Dokumentovaný šestikrokový proces — Jakýkoli pipeline pro trénink AI na francouzských datech potřebuje písemný záznam o každé anonymizační činnosti.