أدوات PII الإنجليزية فقط: ثغرة اللائحة العامة لحماية البيانات
اللائحة العامة لحماية البيانات لا تُفضّل لغة بعينها
تغطي اللائحة العامة لحماية البيانات (GDPR) البيانات الشخصية بأي لغة. الألمانية والفرنسية والبولندية والسويدية — جميعها مشمولة بالتساوي. إن إغفال رقم Steuer-ID يُنشئ خطراً قانونياً مماثلاً لإغفال رقم الضمان الاجتماعي. القانون لا يُميّز بين اللغات.
غير أن معظم أدوات اكتشاف PII تُميّز.
بُنيت الأدوات التجارية والمفتوحة المصدر الرائدة للنصوص الإنجليزية. وتعكس أجهزة الكشف فيها ذلك. فهي تُغطّي بكفاءة أرقام الضمان الاجتماعي الأمريكية ورخص القيادة الأمريكية وتنسيقات الهاتف NANP. أما أجهزة الكشف عن وثائق هوية الدول غير الإنجليزية فهي أقل دقة، وأقل صيانة، وتُغفل المعرّفات الحقيقية بنسبة أعلى.
بالنسبة للشركات عبر الدول الأعضاء في الاتحاد الأوروبي، يُفضي هذا إلى فجوة في التغطية. تُفيد الأداة باكتمال عملية الاكتشاف. لكن معرّفات غير إنجليزية تبقى في البيانات — وهي في أغلب الأحيان المعرّفات التي تحمل أكبر مخاطر الامتثال لـ GDPR في بلدان بعينها.
تلاحظ سلطات حماية البيانات ذلك. ويبحث المدققون عنه. قد تعمل الأداة جيداً على السجلات الإنجليزية، غير أنه إن أخفقت على السجلات الألمانية أو الفرنسية، فهي غير متوافقة. لا يُغيّر تقرير نظيف ذلك.
وثائق هوية الدول الأعضاء تختلف في بنيتها
الفجوة بين الأدوات التي تركّز على الإنجليزية والأدوات متعددة اللغات لا تتعلق بإضافة المزيد من نماذج regex. إن معرّفات الهوية الوطنية في الاتحاد الأوروبي مختلفة جداً فيما بينها. وهي تحتاج إلى منطق خاص بكل دولة لاكتشافها بشكل صحيح.
رقم التعريف الضريبي الألماني (Steuer-Identifikationsnummer): 11 رقماً. يستخدم خوارزمية مجموع تحقق مستندة إلى متغير من صيغة Luhn. لن يطابقه نموذج regex عام لأرقام الضمان الاجتماعي. أما نموذج regex لأي رقم مكوّن من 11 خانة فيُنشئ إيجابيات كاذبة كثيرة في المستندات الألمانية.
رقم NIR الفرنسي (Numéro d'inscription au répertoire): 15 رقماً. يُشفّر التنسيق الجنس وسنة الميلاد وشهر الميلاد والقسم الإداري. ويتضمن أيضاً ترتيب الولادة ومفتاح تحقق مكوّن من رقمين. يستلزم المفتاح التحقق منه للاكتشاف الصحيح.
الرقم الشخصي السويدي (Personnummer): 10 أرقام بخانة تحقق وفق خوارزمية Luhn. يستخدم الأشخاص المولودون قبل عام 1990 الفاصل + بدلاً من -، مما يُغيّر التنسيق الواجب اكتشافه.
رقم PESEL البولندي: 11 رقماً. يُشفّر تاريخ الميلاد والجنس وخانة تحقق مستندة إلى مجاميع مرجّحة. يستلزم الاكتشاف الصحيح مطابقة التنسيق والتحقق من مجموع الضبط.
هذه ليست متغيرات لنمط مشترك. لكل منها طول مختلف. ولكل منها طريقة تحقق مختلفة. ولكل منها مخطط ترميز موضعي مختلف. نموذج NER مدرّب على الإنجليزية يرى رقم NIR فرنسياً لن يتعرف عليه كمعرّف وطني. سيتجاهله أو يُصنّفه خطأً.
مخاطر الامتثال العملية
لنأخذ مثال مسؤول امتثال في شركة استعانة بمصادر خارجية أوروبية. يُعالج بيانات من ألمانيا وفرنسا وبولندا وهولندا في آنٍ واحد. تُفيد أداته باكتمال عملية إخفاء الهوية في بيانات PII.
غير أن النتيجة ليست مكتملة. تبقى أرقام Steuer-ID في السجلات الألمانية. وأرقام NIR في السجلات الفرنسية. وأرقام PESEL في السجلات البولندية. أجهزة الكشف في الأداة لهذه التنسيقات غائبة أو غير دقيقة بما يكفي.
لاحقاً، ينتقل مجموعة البيانات إلى التحليل أو إلى شريك بحثي. لا تزال تحتوي على معرّفات وطنية تُتيح إعادة التعريف. لا تظهر مشكلة GDPR في سجلات مخرجات الأداة. تظهر عند وصول طلب الوصول إلى البيانات من أصحاب الشأن. وقد تظهر خلال تدقيق سلطة حماية البيانات. وقد تظهر بعد اختراق البيانات.
كشف البحث الذي قارن الأساليب الهجينة متعددة اللغات مقابل الأدوات التي تركّز على الإنجليزية عن نتائج واضحة. تحقق الأساليب الهجينة درجات F1 تتراوح بين 0.60 و0.83 عبر المناطق الأوروبية. أما الأدوات الإنجليزية فقط فتسجّل قريباً من الصفر لتنسيقات الهوية الوطنية غير الإنجليزية.
اطلع على نظرة عامة على الامتثال لـ GDPR لمعرفة كيفية تمثيل هذه الفجوات لالتزامات اللائحة.
ما تستلزمه التغطية الكاملة
يتطلب اكتشاف PII متعدد اللغات الحقيقي للامتثال لـ GDPR في الاتحاد الأوروبي ثلاث طبقات.
نماذج spaCy الأصيلة باللغة توفر فهماً دلالياً بلغة النص. النموذج المدرّب على النصوص الألمانية يعرف أن "مولر" اسم عائلة ألماني شائع. تتوفر نماذج لـ 25 لغة أوروبية عالية الموارد.
نماذج Stanza للمعالجة اللغوية الطبيعية تُوسّع التغطية للغات غير المدرجة في spaCy. هذا يُضيف نطاقاً لمجتمعات لغوية أوروبية أخرى.
نماذج المحولات متعددة اللغات (XLM-RoBERTa) تعالج حالات التقاطع بين اللغات. يُتعرّف على الاسم في جملة فرنسية كاسم شخص. يعمل هذا حتى دون تدريب المحرك على ذلك الاسم تحديداً.
تعبيرات Regex مع التحقق الخاص بكل دولة تغطي معرّفات الهوية الوطنية المنظمة. يحتاج كل من Steuer-ID وNIR وPESEL وPersonnummer إلى منطق مجموع تحقق خاص به. هذا يُقلّص الإيجابيات الكاذبة. تُرشَّح تسلسلات الأرقام التي تفشل في قواعد التحقق الخاصة بالدولة.
الفجوة هيكلية. إضافة قوائم كلمات أو مزيد من أنماط regex يُحسّن الأداء قليلاً فحسب. بناء تغطية معرّفات الاتحاد الأوروبي من البداية هو النهج الموثوق الوحيد.
تحقق من أداتك الحالية
aطلب من المورد درجات F1 على السجلات الألمانية والفرنسية والبولندية والهولندية. كثيراً ما تعني عبارة "يدعم لغات متعددة" أن الأداة تستخدم الترجمة أولاً. هذا ليس مسحاً أصيلاً. يستلزم امتثال GDPR مسحاً أصيلاً.
اختبر بعينات هوية وطنية حقيقية. أنشئ مجموعة اختبار قصيرة بـ 10 أمثلة لكل نوع هوية في عملياتك: Steuer-ID وNIR وPESEL وPersonnummer. تحقق من معدلات الاكتشاف. هذا أسرع من اختبار F1 الكامل ويكشف الفجوات بسرعة.
اطلع على صفحة الأمن والامتثال لمعرفة كيفية تعامل anonym.legal مع هذه المتطلبات. لتعريفات أنواع الكيانات، زر مرجع الكيانات.