PII í blönduðum tungumálum: Hvers vegna einmálaleg tól bila
Uppfært fyrir 2026.
Skjöl fara yfir tungumálamörk
Vinnusamningur svissneskrar lyfjafyrirtækis er ekki á einu máli. Sviss hefur fjögur opinber tungumál. Svissneskur fyrirtæki blandar þýska í meginmálinu, frönsku í lagagreinum og ensku í alþjóðlegum köflum. Þetta getur gerst í einum málsgrein.
Fundargerð belgísks stjórnar hefur hollensku texta, frönsk formsleg hluti og enska samantekt. Alþjóðlegt gagnaskilasamkomulag gæti haft enska tæknilegar upplýsingar og þýsk réttindaákvæði.
Þetta er ekki sjaldgæft. Þetta er viðmið fyrir DACH og ESB-fyrirtæki. Einmálaleg PII-tól bila á þessum skrám.
45% missibilið
Einmálaleg NER-tól hafa 45% hærra hlutfall PII-missar á blönduðum skrám. Þetta er í samanburði við hreinar einmálalegar skrár.
Rótarorsökin er hönnunin. Líkan þjálfað á þýskum texta þekkir staðbundnar nafnmyndir og heimilisfangsreglur. Þegar það rekst á franska hluta er það úr þjálfunarsviðinu. Nöfn og auðkenni í þeim hluta fá lélega greiningu. Líkanið er ekki veikt - það var smíðað fyrir annað mál.
EDPB 2024 komst að því að 72% ESB-fyrirtækja vinna skrár á þremur eða fleiri tungumálum samtímis. Gartner 2024 komst að því að margmálalegar mannauðsskrár hafa 67% meiri PII á síðu en einmálalegar. Meiri PII ásamt fleiri missum eykur bilið.
Sjá GDPR-leiðbeiningar fyrir þær reglur sem eiga við.
Hvar villur safnast saman
Bilunin er ekki jöfn í gegnum skrá. PII við kaflahlé er í mestri hættu.
Hugsum okkur þessa grein: þýsk setningarfræðileg uppbygging, franskt starfsmannanafn og frönsk fæðingardagsetning - allt í einni línu. NER-líkanið sér franska nafnið þar sem það búist við staðbundnu. Það gæti ekki merkt það. Frönsk-þjálfað líkan sér þýsku samhengisorðin og getur ekki lesið uppbygginguna.
Mannauðsskrár gera þetta dýrkeypt. Gartner komst að 67% fleiri PII á síðu í blönduðum mannauðsskrám. Villur við kaflahlé skaða mest í þeirri skráargerð sem inniheldur flestar persónulegar upplýsingar.
Þvermálalegar líkön laga þetta
XLM-RoBERTa þjálfar á texta úr 100 tungumálum í einu. Það notar ekki nýtt líkan fyrir hvert mál. Það lærir að greiningar á nöfnum virkar á sama hátt í mismunandi tungumálalegu samhengi. Nafn og samhengi þess deila sömu uppbyggingu á þýsku, frönsku og ensku.
Fyrir blandaðar skrár skiptir líkanið ekki um við kaflahlé. Það les alla textann sem einn blokk. Það beitir sömu einindareglum á sérhverjum stað.
Fínstilling á þýska og frönsku bætir nákvæmni fyrir hvert mál eitt og sér. En þvermálalegi grunnurinn grípur PII við hlé þar sem einmálaleg líkön bila.
Fyrir DACH-fyrirtæki þar sem skrár fara yfir tungumálahluta er þetta raunverulegur ávinningur. Einingar sem einmálaleg tól missa við hlé eru fundnar af þvermálalegar líkönum.
Sjá öryggissíðuna til að sjá hvernig anonym.legal ræður við þetta.
Skref sem hægt er að taka núna
Athugaðu umfang tólsins. Biddu söluaðilann um nákvæmnisniðurstöður eftir staðsetningu. "Styður mörg tungumál" getur þýtt að texti fari í gegnum vélþýðingu fyrst. Það er ekki innbyggð skönnun.
Kortleggðu skrárnar þínar eftir tungumáli. DACH-fyrirtæki með 60% þýsku, 30% frönsku og 10% ensku hefur mismunandi gloppur.
Prófaðu með kaflahlé-sýnishornum. Smíðaðu prófunarsafn með tíu blönduðum-tungumála dæmum. Athugaðu nákvæmni í gegnum alla skrána, ekki bara aðalmálshlutana.
Farðu yfir DPIA-skjölin þín. DPIA smíðað á einmálalegar skrár gæti verið ófullnægjandi. Lagðu það áður en endurskoðun gerir það.
Sjá verðlagsíðuna fyrir API-upplýsingar og einindaþekjingu.
anonym.legal notar XLM-RoBERTa ásamt innbyggðum spaCy og Stanza-líkönum. Það finnur PII yfir kaflahlé á þýsku, frönsku, ensku og 45 öðrum tungumálum.