PII Detekzio Tresnen Positibo Faltsuen Zerga
2026rako eguneratua
PII tresna gehienak recall-aren arabera epaitzen dira. Recall-ak tresnak zenbat PII benetako aurkitzen duen neurtzen du. Baina doitasunak ere garrantzi berdina du. Doitasunak tresnen alerten zenbat zati benetako PII diren neurtzen du.
Doitasun baxua garestia da. %95eko recall eta %22,7ko doitasuna duen sistema batek PII gehiena harrapatzen du. Hala ere, PII entitate bakoitzeko 3,4 alerta oker sortzen ditu. 10.000 PII entitate benetakoak dituen datu-multzo batean, sistema horrek gutxi gorabehera 44.000 alerta sortzen ditu. Horietatik 34.000 inguru okerrak dira. Bakoitzak berrikusteko denbora kostatzen du edo gehiegi erredaktatzea eragiten du.
Hau da positibo faltsuen zerga. Talde batek ordaindu behar duen gainzama da goitibeherako PII sistema bat eskalan exekutatzen duenean. Kostu zuzena berrikustaileen denbora da. Zeharkako kostua are txarragoa da: gehiegi erredaktatutako dokumentuek datu baliotsuak ezkutatzen dituzte, lana moteldu eta tresnarekiko konfiantza ahultzen dute.
Presidio 1071. Arazo Horrek Erakusten Duena
Microsoft Presidio GitHub 1071 eztabaida (2024) patroi zehatz bat erregistratzen du. TFN (Tax File Number) eta PCI ezagutzaileek checksum baliozkotzea erabiltzen dute. Checksum gainditzen duten zenbakiek 1.0 puntuazioa jasotzen dute - konfiantza maximoa. Ez da PII testuingururik behar.
Arraza nagusia: testuinguru-hitz egiaztapenak checksum urratsaren ondoren funtzionatzen du, ez aurretik. Checksum gainditzen duen zenbaki batek goi-puntuazioa jasotzen du inguruko testuarena edozein dela ere. Finantza-kalkulu-orrietan, zientzia-datu-multzoetan edo erregistro-fitxategietan, honek alerta okerrez betetzen du emaitza. Puntuazio-atalase-iragazkiak ezin du hori konpondu. Puntuazioak dagoeneko maximoan daude.
Bigarren patroi bat Presidio 999. arazoetan agertzen da. Alemaniako hitz-segmentazioak hitz-konposatuentzako huts egiten du. Bundesbehorde (agintaritza federala) bezalako hitzak oker zatitu eta izen pertsonal gisa etiketatuak izan daitezke. Honek zaratada gehitzen du edozein alemaniako dokumentutan.
%22,7ko Doitasun Arazoa
Alvaro et al.-ek (2024) Presidio hizkuntza mistoko enpresa datu-multzoetan probatu zuten. %22,7ko doitasuna aurkitu zuten. Benetako dokumentuetan, Presidio alerta guztietatik lau baino gutxiagok PII entitate benetakoak dira. Hau bat dator praktikek jakinarazitakoarekin. Recall bakarrik doitutako tresna batek ekoizpen erabilerarako gehiegi zarata sortzen du.
2024ko DICOM ikerketa batek erakutsi zuen score_threshold 0,7ra igotzeak oraindik 39 irudi medikotatik 38tan alerta okerrak uzten zituela. Dokumentu mota batean zarata garbitzen duen atalaseak beste batean galduak sortzen ditu.
Hau ez da Presidio bakarren arazoa. Edozein atalase finkoak truke-oferta bat behartzen du. Atalase altuak zarata murrizten du baina galduak igotzen ditu. Atalase baxuak recall igotzen du baina alerta kopurua puztzen du.
Testuingurua Jakitun den Puntuaketa
Konponbidea testuingurua jakitun den konfiantza-puntuaketa da. Eredu soilak lortu edo porrot egin beharrean, sistemak konfiantza igotzen du testuinguru-hitzak gertaketa horren ondoan agertzen direnean. Testuingurua ez dagoenean ere puntuazioa jaisten du.
TFN detekziorako: "zergaren fitxategi-zenbakia," "TFN" edo "Australiako zerga" bezalako hitzak zenbaki baten ondoan bere puntuazioa igotzen dute. Checksum gainditzen duen baina gertuko testuinguru-hitzik ez duen zenbaki batek berrikuste-atalasearen azpitik puntuatzen du. Alerta faltsu hori baztertzen da.
Hizkuntzarteko zaratarako: herrialde jakin bati lotutako entitate motak bat datorren hizkuntzako dokumentuetara mugatu daitezke. Ingeleserako eta Australiako ingeleserako mugatutako TFN detekzio-tresna batek zarata kentzen du. Alemaniako edukian mugaketa gabe exekutatzea arazoa sortzen duen iturria da.
Hibrido sisteman hirugarren geruza transformer modelo bat da. Hautagaien inguruko testu-leiho osoa irakurtzen du. "John Smith, Pazientearen ID 12345" eta izen-eredua bat datorren produktu-kode bat bereizten ditu. Testuinguruak regex eta checksumek ezin duten anbiguotasuna konpontzen du.
Ikusi nola hiru geruzako detekzio-motoreak doitasuna kudeatzen duen eskalan. PII detekzio multilingüearen gida-k azaltzen du nola hizkuntzarteko zaratak GDPR betetzea eragiten duen.
Praktika Urratsak
Edozein PII tresna zabaldu aurretik, neurtu bere doitasuna - ez bakarrik recall.
Exekutatu tresna ezagutako PII eta ezagutako ez-PII duen dokumentu-multzo batean. Konta alerta bi taldeetan. Kalkula positibo_egiazkoak / (positibo_egiazkoak + positibo_faltsoak). Zenbaki honek berrikuste-zama agerian uzten du zabaltzea konprometitu aurretik.
Presidio erabiltzen ari diren taldeentzat, puntuazio-banaketaren analisia bide azkarra da. Eskuratu detekzio-lagin bat haien konfiantza-puntuazioekin. Zenbatu 0,6, 0,7 eta 0,8 azpian zenbat puntuatu diren. Testu garbian puntuazio altuen alerta-kopuru handiak testuinguru-hutsunea seinalatzen du, ez atalase-arazoa. Segurtasun-betetze ikuspegi orokorra-k azaltzen du nola dokumentatu DPIA batean.
Iturriak
- Microsoft Presidio GitHub Eztabaida #1071: Positibo faltsu sistematikoak.
- Microsoft Presidio GitHub Arazoa #999: Alemaniako hizkuntzako positibo faltsu ereduak.
- Alvaro et al. (2024): Presidio doitasuna hizkuntza mistoko enpresa datu-multzoetan.
- DICOM puntuazio-atalase analisia - Microsoft Presidio komunitatea.