Ingelesezko Bakarrik PII Tresnak: GDPR Hutsunea
GDPRk Ez Du Hizkuntza-Lehentasunik
GDPRk edozein hizkuntzatan dauden datu pertsonalak estaltzen ditu. Alemana, Frantsesa, Poloniera, Suediera - guztiak berdin estaltzen dira. Galdu den Steuer-ID batek arrisku legal berdina sortzen du galdu den Gizarte Segurantzaren Zenbaki batekin konparatuta. Legeak ez du hizkuntza axola.
PII detekzio tresna gehienek bai.
Merkatu komertzial eta iturri irekiko tresna nagusiak ingelesezko testurako sortu ziren. Haien entitate-detektoreak hori islatzen dute. AEBetako Gizarte Segurantzaren Zenbakiak, AEBetako gidabaimena eta NANP telefono-formatuak ondo estaltzen dituzte. Ez-ingelesezko nazio-IDentzako detektoreek zehaztasun gutxiago dute. Gutxiago mantentzen dira. Benetako identifikatzaileak maizago galtzen dituzte.
Europar Batasuneko estatu kideetan dauden enpresentzat, horrek estaldura-hutsune bat sortzen du. Tresnak detekzioa osoa dela esaten du. Baina ez-ingelesezko identifikatzaileak datuen barruan geratzen dira. Askotan zenbait herrialdetako GDPR esposizio handiena duten identifikatzaileak dira.
Datu-agintariek ikusten dute hori. Auditoreak bilatzen dute. Tresna batek ingelesezko erregistroekin ondo funtziona dezake. Baina Alemaniako edo Frantziako erregistroetan huts egiten badu, ez dago betetzen. Txosten garbia horri ez dio ezer aldatzen.
Nazio-IDek Egitura Desberdinak Dituzte
Ingelesez zentratutako eta eleaniztun tresnen arteko hutsunea ez da regex-patroi gehiago gehitzeari buruzkoa. EBko nazio-identifikatzaileak oso desberdinak dira bata bestetik. Behar bezala detektatzeko herrialde-espezifiko logika behar dute.
Alemaniako Steuer-Identifikationsnummer (Steuer-ID): 11 digitu. Luhn formula bertsio batean oinarritutako egiaztapena erabiltzen du. SSN regex generiko batek ez du bat etorriko. Edozein 11 digituko zenbakitarako regex-ak gehiegizko positibo faltsuak sortzen ditu Alemaniako dokumentuetan.
Frantziako NIR (Numero d'inscription au repertoire): 15 digitu. Formatuak sexua, jaiotze-urtea, jaiotze-hilabetea eta jaiotze-departamendua kodifikatzen ditu. Jaiotze-ordena eta 2 digituko kontrol-gakoa ere barne hartzen ditu. Kontrol-gakoa baliozkotzea behar da detekzio zehatzerako.
Suediar Personnummer: 10 digitu Luhn egiaztapen-digitua duela. 1990 baino lehen jaiota daudenek + bereizlea erabiltzen dute -ren ordez. Horrek detektatu behar den formatua aldatzen du.
Poloniar PESEL: 11 digitu. Jaiotze-data, generoa eta pisatutako batuketan oinarritutako egiaztapen-digituak kodifikatzen ditu. Detekzio zuzenak formatu-bat etortzea eta egiaztapen-baliozkotzea behar ditu.
Hauek ez dira eredu komun baten aldaerak. Bakoitzak luzera ezberdina du. Bakoitzak egiaztapen-metodo ezberdina erabiltzen du. Bakoitzak datuak posizio-eskema ezberdinean kodifikatzen ditu. Frantziako NIR ikusten duen ingelesez trebatutako NER modeloak ez du identifikatzaile nazional gisa ezagutuko. Baztertuko du edo gaizki sailkatuko du.
Betetzepen Arrisku Praktikoa
Demagun Europar BPO bateko betetzepen-ofizial bat. Aldi berean Alemaniako, Frantziako, Poloniar eta Herbehereetako datuak prozesatzen dituzte. Beraien tresnак PII anonimizazioa arrakastatsua dela jakinarazten du.
Baina emaitza ez da osoa. Alemaniako erregistroetako Steuer-IDak geratzen dira. Frantziako erregistroetako NIR zenbakiak geratzen dira. Poloniar erregistroetako PESEL zenbakiak geratzen dira. Tresnak formato horien detektorerik ez ditu edo ez dira zehaztasun nahikokoak.
Geroago, datu-multzoa analisira edo ikerketa-bazkide batera joaten da. Datuek oraindik berriz identifika daitezkeen nazio-identifikatzaileak dituzte. GDPR arazoa ez da agertzen tresnak ateratzen dituen erregistroetan. Datuetarako sarbide-eskaera jasotzen denean agertzen da. Datu-agintarien auditean ager daiteke. Datu-urraketa baten ondoren ager daiteke.
Eleaniztunen ikuspegi hibrido eta ingelesez zentratutako tresnak konparatzen dituen ikerketak emaitza argiak aurkitu ditu. Metodo hibridoek F1 puntuaketa 0,60tik 0,83ra lortzen dute Europar lokalizazioetan. Ingelesezko bakarrik tresnek ia zero puntuatzen dute ez-ingelesezko nazio-ID formatuetarako.
Ikusi gure GDPR betetzepen ikuspegia hutsune hauek GDPR betebeharrekin nola mapeatzen diren.
Estaldura Osoak Zer Eskatzen Duen
EU GDPR beterapen osoko PII detekzio eleaniztun egiazkoak hiru geruza behar ditu.
Hizkuntzako spaCy modeloak testuaren hizkuntzako ulermen semantikoa ematen dute. Alemaniako testuan trebatutako modeloak badaki "Muller" Alemaniako izen familia arrunta dela. Modeloak 25 EU hizkuntza handientzako existitzen dira.
Stanza NLP modeloak spaCy-n ez dauden hizkuntzetarako estaldura hedatzen dute. Horrek EU hizkuntza-komunitate gehiagori irismena ematen dio.
Hizkuntzaz gaindiko transformer modeloak (XLM-RoBERTa) hizkuntzaz gaindiko kasuak kudeatzen ditu. Frantses esaldi bateko izena pertsona-izentzat ezagutzen da. Hau funtzionatzen du nahiz eta motorra izen espezifiko horretan trebatu ez.
Herrialde-espezifiko baliozkotzea duen Regex-ak egiturako nazio-identifikatzaileak estaltzen ditu. Steuer-ID, NIR, PESEL eta Personnummer-ek bakoitzak beren egiaztapen-logika behar dute. Horrek positibo faltsuak murrizten ditu. Herrialde-balioztapen arauak betetzen ez dituzten digitu-sekuentziak iragazten dira.
Hutsunea estrukturala da. Hitz-zerrendak edo regex-patroi gehiago gehitzeak hobekuntza txikia baino ez du ematen. EBko identifikatzaile-estaldura hasieratik eraikitzea da bakarra ikuspegi fidagarria.
Egiaztatu Zure Egungo Tresna
Galdetu zure hornitzaileari F1 puntuaketaz Alemaniako, Frantziako, Poloniar eta Herbehereetako erregistroetan. "Hizkuntza anitzak onartzen ditu" askotan esan nahi du tresnak itzulpena erabiltzen duela lehenik. Hori ez da eskaneatu natiboa. GDPR beterapenak eskaneatu natiboa eskatzen du.
Probatu benetako nazio-ID laginekin. Eratu lagin-multzo labur bat ID mota bakoitzaren 10 adibiderekin zure eragiketetan. Steuer-ID, NIR, PESEL, Personnummer. Egiaztatu detekzio-tasak. F1 proba oso baten aldean azkarragoa da eta azkar erakusten ditu hutsuneak.
Ikusi gure segurtasun eta betetzepen orria anonym.legal-ek baldintza hauei nola erantzuten dion. Entitate mota definizioak lortzeko, bisitatu entitateen erreferentzia.