GDPR ja paranduskopeeritud failid: OCR isikuandmete leidmiseks
Uuendatud 2026. aastaks
GDPR-auditid toovad sageli esile sama varjatud riski: vanad pildipohised PDF-arhiivid.
Advokaadibuerood hoiavad 20 aastat skaneeritud klientide faile. Haiglad saelivad aastakoumeid patsientide vorme. Riigiasutused saelivad skaneeritud dokumente. Pangad on kujutistena salvestanud laenufailid.
Neil arhiividel on uks uhine tunnus. Failid on rasterkoujutised -- skaneeritud PDF-id, TIFF-id voi JPEG-id. Tekstikihti ei ole. Tavatoolid isikuandmete leidmiseks ei suuda neid lugeda. Enamiku anoNumiseerimistoolide jaoks neid faile justkui ei eksisteerigi.
Levinud arusaam: "Need on pildifailid -- GDPR ei kehti nende suhtes."
GDPR artikkel 17(1) annab inimestele kustutamisoiguse. Pohjenduseosas 26 on oeldud, et anONumiseerimine eemaldab isikuandmed reguleerimisalast. Kumbki ei tee erandi pildivormatite puhul. Advokaadibuerool, mis ei suuda 15 aasta vanuse kliendi faili kustutamisnoude taiita, on vastavusnouete lahimust. Erandi suhtes tal oigust ei ole.
Vaadake meie vastavuste ulevaadet ja turvatavade lehekuolge, et naea, kuidas me GDPR-i toetame.
Avastuskonveieri toimimine
Protsess koosneb kolmest etapist.
1. etapp -- OCR
OCR-mootor loeb koujutist ja ekstraktib teksti. See salvestab iga sona asukoha. Valjundiks on masinaluetav tekst koordinaatidega. Taapsus laneb, kui tegemist on kaekirja, haaleunud tindi voi vanade trukitupidega.
2. etapp -- NLP-uksuste tuvastamine
Nimetud uksuste tuvastamine (NER) skaneerib OCR-teksti. See leiab isikunimi, organisatsioone ja asukohti. Mustrite sobitamine lisab sotsiaalkindlustusnumbrid, telefoninumbrid ja kontonumbrid. Iga leiu juurde lisatakse usaldusskoor.
3. etapp -- Anoneumiseerimine
Tuvastatud uksused asendatakse tekstivaeljundis. Algset koujutist ei muudeta. Koujutise muutmiseks on vaja eraldi redigeerimistooli. AnoneumiseeritudTekst toetab kustutamistaolusid, DSARi vastuseid ja vastavusdokumente.
Kaasaegsed OCR-mootorid saavutavad 98--99% maergitatpsuse puhaste trukitud lehekuolgedel. Kaekirja voi halvenenud skaneeringute puhul langeb see 85--92%-ni. Uksuste tasandi taapsus on ueldiselt suurem kui maergi tasandi taapsus. Nime saab tuvastada isegi siis, kui mooned tahed on valed.
Praktiline jareldus: OCR-taapsus mojutab leitud uksuste hulka. See ei maeaera, kas meetod toimib. Isegi 90% taapsuse juures leiate enamiku nimesid ja numbreid. Vastavustoo jaoks on siiski vaja kvaliteediastmeid. Meetod ise on pohjendatud.
Suure arhiivi tootlemine
Suured parandatud arhiivid jaelevad nelja etapilise voostiku.
1. etapp -- inventuur: Loetlege koik pildipohised arhiivid. Maerkige lahtesusteem ja ajavahemik. Pange ette kustutamise korgriski kirjed. Klientide failid tuleb seada sisemiste ette.
2. etapp -- partiitootlemine: Kaevitage OCR ja isikuandmete tuvastamine partiidena. Tavaline partii suurus on viis kuni kuuumend tuhat faili. Tootlemine kaeib ule oo. Vaeljundiks on iga faili kohta isikuandmete aruanne ja anoneumiseeritud tekstieksport.
3. etapp -- kustutamistaoide taiitmine: Isik saadab taotluse oma nime ja perioodi kohta. Otsige anoneumiseeritud ekstraktidest nende tokeneid. Leidke failid. Eemaldage isikuandmed. Logige toiming.
4. etapp -- pidev vastavus: Laske uued skaneeritud failid laabi sama konveieri enne arhiveerimist. Hoidke isikuandmete aruandeid GDPR artikkel 30 tootlemistoimingute registri toendina.
Juhtumiuuring: Advokaadibueroo arhiiv
Advokaadibueroo audit leidis 80 000 pildipohist PDF-kliendi lepingut, mis olid skaneeritud 1998--2010. Standardsed isikuandmete toolid ei tuvastanud midagi. Pildivorming oli neile naehtamatu.
Kahtekummend viis endist klienti olid esitanud kustutamistaolusid eelnenud 12 kuu jooksul. Bueroo oeldes: "Ei saa kinnitada, et teie andmed on kustutatud." See vastus ei vasta GDPR artiklile 17.
Mida bueroo tegi:
- Kaevitas OCR ja isikuandmete tuvastuse koigest 80 000 failil 5000 kaupa
- Tootlemine kestis umbes kolm naedalat
- Tulemus: 80 000 anoneumiseeritud tekstieksporti koos failipohiste aruannetega
- Ehitati otsitav register, mis seob uksused failide ID-dega
Parast tootlemist:
- Uhele isikule failide leidmine: keskmiselt 4 minutit
- Faile taotluse kohta: keskmiselt 6--8
- Redigeerimisaeg taotluse kohta: 20--30 minutit
Koik 15 lahtist taotlust lahendati 30 paeeva jooksul.
Pohisoit: vastavuskohustus oli olemas juba enne tootlemist. Burool puudusid lihtsalt vahendid selle taiteks. OCR-pohine tootlemine ei loonud uut kohustust. See tegi olemasoleva kohustuse taitamise voimalikuks.
OCR-i piirangud ja kvaliteediastmed
Kaekirja OCR-taapsus on madalam. Seadistage madalam usalduslaevp enne kaekirojalise sisu tootlemist.
Halb skaneerimiskvaliteet vaehendab skoore. Kontrastsuse suurendamine ja kalde korrigeerimine aitavad enne OCR-i kaivitamist.
Ebasatarilised kuoljenditused -- mitmeveerulised lehed, vanad juriidilised kujunditupid -- voivad samuti madalama skooriga olla.
Maeaarake vastavustoo jaoks kvaliteediastmed:
- Ule 95% lehe taapsus: kaevitage automatiseeritud tootlemine
- 80--95%: kaevitage automatiseeritud tootlemine, seejaerel inimuuavaatus lipistatud uksuste jaoks
- Alla 80%: saatke kaesilise labivaatuse jaekke
Astmeline laehenemine annab regulaatoritele selge vastuse usaldusvaeaersuse hindamise kohta. Enamiku automatiseeritud toolidega haendatakse korgekindlusega failid. Maeaaramata jaakke jaeaeb vahesemasele jaekke. Laebilaskevoimaeksus jaeaeb korgeks. Vastavuse kvaliteet samuti.
Meie KKK vastab levinud kusimustele OCR-pohise tootlemise ja auditi radumine nouete kohta.