Ainult ingliskeelsed PII-tööriistad: GDPR-i lünk
GDPR-il pole keeleeelistust
GDPR hõlmab isikuandmeid igas keeles. Saksa, prantsuse, poola, rootsi - kõik on võrdselt kaetud. Vahele jäänud Steuer-ID tekitab sama juriidilise riski kui vahele jäänud sotsiaalkindlustuse number. Seadus ei hooli keelest.
Enamik PII-tuvastustööriistu hoolib.
Juhtivad kaubanduslikud ja avatud lähtekoodiga tööriistad ehitati ingliskeelse teksti jaoks. Nende üksuste detektorid peegeldavad seda. Need katavad USA sotsiaalkindlustuse numbreid, USA juhilube ja NANP telefonivorminguid hästi. Detektorid mitte-ingliskeelsete riiklike ID-de jaoks on vähem täpsed. Neid hoitakse vähem ajakohasena. Nad jätavad reaalsed identifikaatorid sagedamini vahele.
EL-i liikmesriikide ettevõtete jaoks tekitab see katvuslünka. Tööriist teatab, et tuvastamine on täielik. Kuid mitte-ingliskeelsed identifikaatorid jäävad andmetesse. Need on sageli identifikaatorid, millel on teatud riikides suurim GDPR-i kokkupuude.
Andmekaitseasutused näevad seda. Audiitorid otsivad seda. Tööriist võib ingliskeelsete kirjetega hästi töötada. Kuid kui see ebaõnnestub saksa- või prantsuskeelsete kirjetega, ei vasta see nõuetele. Puhas aruanne ei muuda seda.
Riiklikud ID-d erinevad struktuurilt
Lõhe ingliskeelsete tööriistade ja mitmekeelsete tööriistade vahel ei seisne rohkemate regex-mustrite lisamises. EL-i riiklikud identifikaatorid on üksteisest väga erinevad. Korrektseks tuvastamiseks on vaja riigispetsiifilist loogikat.
Saksa Steuer-Identifikationsnummer (Steuer-ID): 11 numbrit. Kasutab Luhni valemi variandil põhinevat kontrollsummat. Üldine SSN-regex ei vasta sellele. Regex iga 11-kohalise numbri jaoks tekitab saksa dokumentides liiga palju valepositiivseid.
Prantsuse NIR (numero d'inscription au repertoire): 15 numbrit. Vorming kodeerib sugu, sünniaastat, sündimiskuud ja sünnimaakonda. See sisaldab ka sünnikorda ja 2-kohalist kontrollivõtit. Korrektseks tuvastamiseks tuleb kontrollivõtit valideerida.
Rootsi Personnummer: 10 numbrit Luhni kontrollnumbriga. Enne 1990. aastat sündinud inimesed kasutavad eraldajana + sümbolit tavalise - asemel. See muudab tuvastamist vajavat vormingut.
Poola PESEL: 11 numbrit. Kodeerib sünnikuupäeva, soo ja kontrollnumbri, mis põhineb kaalutud summadel. Korrektne tuvastamine nõuab nii vorminguvastavust kui ka kontrollsumma valideerimist.
Need ei ole ühise mustri variandid. Igaühel on erinev pikkus. Igaüks kasutab erinevat kontrolli meetodit. Igaüks kodeerib andmeid erineval positsiooniskeemil. Ingliskeelsel NER-mudelil, mis näeb prantsuse NIR-i, ei tunne ta seda riikliku identifikaatorina ära. See ignoreerib seda või klassifitseerib valesti.
Praktiline vastavuse risk
Kaaluge vastavusametnikku Euroopa BPO-s. Nad töötlevad korraga Saksamaa, Prantsusmaa, Poola ja Madalmaade andmeid. Nende tööriist teatab edukast PII anonüümimisest.
Kuid tulemus ei ole täielik. Steuer-ID-d saksa kirjetes jäävad alles. NIR-numbrid prantsuse kirjetes jäävad alles. PESEL-numbrid poola kirjetes jäävad alles. Tööriista detektorid nende vormingute jaoks puuduvad või on liiga ebatäpsed.
Hiljem läheb andmekogum analüütikasse või teaduspartnerile. Andmed sisaldavad endiselt re-identifitseeritavaid riiklikke identifikaatoreid. GDPR-i probleem ei ilmu tööriista väljundlogides. See ilmneb siis, kui saabub andmesubjekti juurdepääsutaotlus. See võib ilmneda andmekaitseameti auditi ajal. See võib ilmneda pärast andmelekkimist.
Uuring, mis võrdles hübriidseid mitmekeelseid lähenemisviise ingliskeelsete tööriistadega, leidis selged tulemused. Hübriidmeetodid saavutavad F1-skoorid 0,60 kuni 0,83 Euroopa lokaalide lõikes. Ainult ingliskeelsed tööriistad saavutavad mitte-ingliskeelsete riiklike ID-de vormingute puhul peaaegu nulli.
Vaadake meie GDPR-i vastavuse ülevaadet, et näha, kuidas need lüngad vastavad GDPR-i kohustustele.
Mida nõuab täielik katvus
Tõeline mitmekeelne PII tuvastamine EL-i GDPR-i vastavuse jaoks vajab kolme kihti.
Keele-natiivsed spaCy mudelid tagavad semantilise arusaamise teksti keeles. Saksa tekstil treenitud mudel teab, et "Muller" on tavaline saksa perekonnanimi. Mudelid on olemas 25 kõrge ressursiga EL-i keele jaoks.
Stanza NLP mudelid laiendavad katvust keeltele, mida spaCy-s pole. See lisab ulatust rohkematele EL-i keelekogukondadele.
Keeltevahelised transformaatormudelid (XLM-RoBERTa) käsitlevad keeltevahel juhtumeid. Prantsuse lauses olev nimi tunnistatakse isiku nimena ära. See töötab isegi siis, kui mootor ei olnud treenitud selle konkreetse nime peal.
Riigispetsiifilise valideerimisega regex katab struktureeritud riiklikud identifikaatorid. Steuer-ID, NIR, PESEL ja Personnummer vajavad igaüks oma kontrollsumma loogikat. See vähendab valepositiivseid. Numbrijadad, mis ei läbi riigi valideerimisreegleid, filtreeritakse välja.
Lünk on struktuuriline. Sõnaloendite või rohkemate regex-mustrite lisamine annab ainult kerge paranemise. EL-i identifikaatorite katvuse sisseehitamine algusest peale on ainus usaldusväärne lähenemisviis.
Kontrollige oma praegust tööriista
Küsige oma müüjalt F1-skoore saksa, prantsuse, poola ja hollandi kirjete kohta. "Toetab mitut keelt" tähendab sageli, et tööriist kasutab esmalt tõlget. See ei ole natiivne skannimine. GDPR-i vastavus nõuab natiivset skannimist.
Testige tegelike riiklike ID näidistega. Koostage lühike testkomplekt 10 näitega iga ID-tüübi kohta teie toimingutes. Steuer-ID, NIR, PESEL, Personnummer. Kontrollige tuvastamismäärasid. See on kiirem kui täielik F1-test ja näitab lünki kiiresti.
Vaadake meie turvalisuse ja vastavuse lehte, et näha, kuidas anonym.legal neid nõudeid täidab. Üksuse tüüpide definitsioonide saamiseks külastage üksuste viidet.