Engelsksprogede PII-værktøjer: GDPR-hullet
GDPR har ingen sprogpræference
GDPR dækker persondata på ethvert sprog. Tysk, fransk, polsk, svensk — alle behandles ens. Et overset Steuer-ID skaber den samme juridiske risiko som et overset Social Security Number. Loven er ligeglad med sproget.
Det er de fleste PII-detektionsværktøjer derimod.
De førende kommercielle og open source-værktøjer er bygget til engelsk tekst. Deres entity-detectorer afspejler dette. De dækker amerikanske CPR-numre, amerikanske kørekort og NANP-telefonnumre godt. Detectorer til ikke-engelske nationale ID-numre er mindre præcise. De vedligeholdes dårligere. De overser reelle identifikatorer oftere.
For virksomheder på tværs af EU-medlemsstater skabes et dækningshul. Værktøjet rapporterer fuld detektion. Men ikke-engelske identifikatorer forbliver i dataene. Disse er ofte de identifikatorer med den største GDPR-eksponering i visse lande.
Datatilsynsmyndigheder er opmærksomme på dette. Revisorer leder efter det. Et værktøj kan fungere godt på engelske data. Men hvis det fejler på tyske eller franske data, er det ikke compliant. En ren rapport ændrer ikke på det.
Nationale ID-numre har forskellig struktur
Kløften mellem engelskcentrerede og flersprogede værktøjer handler ikke om at tilføje flere regex-mønstre. EU's nationale identifikatorer er meget forskellige fra hinanden. De kræver landespecifik logik for at blive detekteret korrekt.
Tysk Steuer-Identifikationsnummer (Steuer-ID): 11 cifre. Benytter en kontrolsum baseret på en Luhn-formel-variant. Et generisk CPR-regex matcher ikke. Et regex for ethvert 11-cifret tal skaber for mange falske positiver i tyske dokumenter.
Fransk NIR (Numéro d'inscription au répertoire): 15 cifre. Formatet koder køn, fødselsår, fødselsmåned og fødselsdepartement. Det inkluderer også en fødseIsrækkefølge og en 2-cifret kontrolnøgle. Kontrolnøglen skal valideres for korrekt detektion.
Svensk personnummer: 10 cifre med et Luhn-kontrolciffer. Personer født før 1990 bruger et +-separatortegn i stedet for -. Det ændrer det format, der skal detekteres.
Polsk PESEL: 11 cifre. Koder fødselsdato, køn og et kontrolciffer baseret på vægtede summer. Korrekt detektion kræver både formatmatch og kontrolsumvalidering.
Dette er ikke varianter af et fælles mønster. Hver har sin egen længde. Hver bruger sin egen kontrolmetode. Hver koder data i en forskellig positionsordning. Et engelskbaseret NER-model, der ser et fransk NIR-nummer, genkender det ikke som et nationalt ID. Det ignoreres eller fejlklassificeres.
Den praktiske compliance-risiko
Tag en compliance-officer i en europæisk BPO. De behandler data fra Tyskland, Frankrig, Polen og Holland samtidig. Deres værktøj rapporterer vellykket PII-anonymisering.
Men resultatet er ikke komplet. Steuer-ID'er i tyske data forbliver. NIR-numre i franske data forbliver. PESEL-numre i polske data forbliver. Værktøjets detectorer for disse formater mangler eller er for unøjagtige.
Senere sendes datasættet til analyse eller til en forskningspartner. Dataene indeholder stadig re-identificerbare nationale identifikatorer. GDPR-problemet vises ikke i værktøjets outputlogs. Det dukker op, når en anmodning om indsigt i egne oplysninger ankommer. Det kan dukke op under en revision fra datatilsynsmyndigheden. Det kan dukke op efter et databrud.
Forskning, der sammenligner hybride flersprogede tilgange med engelskcentrerede værktøjer, viser klare resultater. Hybride metoder opnår F1-scores på 0,60 til 0,83 på tværs af europæiske lokaliteter. Engelsksprogede værktøjer scorer tæt på nul for ikke-engelske nationale ID-formater.
Se vores GDPR compliance-oversigt for, hvordan disse huller kortlægges til GDPR-forpligtelser.
Hvad fuld dækning kræver
Ægte flersproget PII-detektion til EU GDPR-compliance kræver tre lag.
Sprogindfødte spaCy-modeller giver semantisk forståelse på tekstens sprog. En model trænet på tysk tekst ved, at "Müller" er et almindeligt tysk efternavn. Modeller eksisterer for 25 europæiske sprog med rigelige sprogdata.
Stanza NLP-modeller udvider dækningen til sprog, der ikke indgår i spaCy. Dette øger rækkevidden for flere EU-sprogfællesskaber.
Tværsproglige transformer-modeller (XLM-RoBERTa) håndterer tværsproglige tilfælde. Et navn i en fransk sætning genkendes som et personnavn. Dette virker, selvom motoren ikke var trænet på det specifikke navn.
Regex med landespecifik validering dækker strukturerede nationale identifikatorer. Steuer-ID, NIR, PESEL og personnummer kræver hver sin kontrolsumlogik. Det reducerer falske positiver. Ciffersekvenser, der ikke består landevalideringsregler, filtreres fra.
Kløften er strukturel. Tilføjelse af ordlister eller flere regex-mønstre giver kun marginal forbedring. At bygge EU-identifikatordækning ind fra starten er den eneste pålidelige tilgang.
Tjek dit nuværende værktøj
Spørg din leverandør om F1-scores for tyske, franske, polske og hollandske data. "Understøtter flere sprog" betyder ofte, at tekst først oversættes. Det er ikke native scanning. GDPR-compliance kræver native scanning.
Test med reelle nationale ID-eksempler. Byg et kort testsæt med 10 eksempler af hvert ID-type i din drift. Steuer-ID, NIR, PESEL, personnummer. Tjek detektionsraterne. Det er hurtigere end en fuld F1-test og viser huller hurtigt.
Se vores sikkerheds- og compliance-side for, hvordan anonym.legal adresserer disse krav. For entity-type-definitioner, besøg entity-referencen.