BDAR ir senieji nuskenuoti failai: OCR asmens duomenims
Atnaujinta 2026 m.
BDAR audituose nuolat aptinkama ta pati paslėpta rizika: seni vaizdu pagrįsti PDF archyvai.
Advokatų kontoros saugo 20 metų nuskenuotus kliento failus. Ligoninės laiko dešimtmečių senumo pacientų formas. Valstybinės institucijos saugo nuskenuotus įrašus. Bankai turi nufotografuotas paskolų bylas.
Šiuos archyvus vienija viena savybė. Failai yra rastrinio formato — nuskenuoti PDF, TIFF arba JPEG. Nėra tekstinio sluoksnio. Standartiniai asmens duomenų įrankiai jų negali perskaityti. Daugumai anonimiškumo užtikrinimo įrankių šie failai tiesiog neegzistuoja.
Dažnas įsitikinimas: "Tai vaizdo failai — BDAR jiems netaikomas."
BDAR 17 straipsnio 1 dalis suteikia žmonėms teisę į ištrynimą. 26 konstatuojamoji dalis nurodo, kad anonimizavimas pašalina asmens informaciją iš reguliavimo taikymo srities. Nė vienas iš jų nenumato išimčių vaizdo formatams. Advokatų kontora, negalinti įvykdyti ištrynimo prašymo dėl 15 metų senumo kliento failo, turi atitikties spragą. Ji neturi išimties.
Skaitykite mūsų atitikties apžvalgą ir saugumo praktikas, kad sužinotumėte, kaip palaikome BDAR.
Kaip veikia aptikimo konvejeris
Procesas vyksta trimis etapais.
1 etapas — OCR
OCR variklis nuskaito vaizdą ir ištraukia tekstą. Jis fiksuoja kiekvieno žodžio padėtį. Rezultatas — mašininio skaitymo tekstas su koordinatėmis. Tikslumas mažėja, kai yra ranka rašytų tekstų, išblukusio rašalo arba senų šriftų.
2 etapas — NLP objektų aptikimas
Vardų objektų atpažinimas (NER) nuskaito OCR tekstą. Jis randa asmenų vardus, organizacijas ir vietas. Šablonų gretinimas prideda asmens kodus, telefono numerius ir sąskaitų numerius. Kiekvienas rezultatas gauna pasitikėjimo balą.
3 etapas — Anonimizavimas
Aptikti objektai pakeičiami tekstiniame išvesties faile. Originalus vaizdas nekeičiamas. Vaizdo keitimui reikalingi atskiri redagavimo įrankiai. Anonimizuotas tekstas padeda vykdyti ištrynimo prašymus, BDAR duomenų prieigos prašymų atsakymus ir atitikties įrašus.
Šiuolaikiniai OCR varikliai pasiekia 98–99 % simbolių tikslumą švariuose spausdintuose puslapiuose. Ranka rašytas tekstas arba pablogėjusios kokybės nuskenavimas sumažina tikslumą iki 85–92 %. Objektų lygmens tikslumas paprastai yra aukštesnis nei simbolių lygmens. Vardas gali būti identifikuotas net tada, kai keli raidės yra neteisingos.
Praktinė išvada: OCR tikslumas veikia tai, kiek objektų aptinkate. Jis nenulemia, ar metodas veikia. Net esant 90 % tikslumui, randama dauguma vardų ir numerių. Kokybės lygmenys vis tiek reikalingi. Pats metodas yra patikimas.
Didelio archyvo apdorojimas
Dideliems senosiems archyvams taikomas keturių etapų darbo eigos modelis.
1 etapas — Inventorizacija: Pateikite visų vaizdu pagrįstų archyvų sąrašą. Pažymėkite šaltinių sistemą ir datos intervalą. Pirmiausia tvarkykite didelio ištrynimo rizikos įrašus. Kliento failai ateina prieš vidinius.
2 etapas — Paketinis apdorojimas: Vykdykite OCR ir asmens duomenų aptikimą paketais. Penkių–dešimties tūkstančių failų paketas yra įprasto dydžio. Apdorojimas vyksta per naktį. Kiekvieno failo rezultatas — asmens duomenų ataskaita ir anonimizuotas teksto ištraukimas.
3 etapas — Ištrynimo vykdymas: Duomenų subjektas siunčia prašymą su savo vardu ir laikotarpiu. Ieškokite anonimizuotuose ištraukuose jų žetonų. Raskite failus. Redaguokite juos. Užregistruokite veiksmą.
4 etapas — Nuolatinė atitiktis: Naujus nuskenuotus failus praleiskite per tą patį konvejerį prieš juos archyvuodami. Saugokite asmens duomenų ataskaitas kaip 30 straipsnio duomenų tvarkymo veiklų įrašų įrodymą.
Atvejo analizė: advokatų kontoros archyvas
Advokatų kontoros auditas atskleidė 80 000 vaizdu pagrįstų PDF kliento sutarčių, nuskenuotų 1998–2010 m. Standartiniai asmens duomenų įrankiai neaptiko nė vieno. Vaizdo formatas buvo nematomas.
Penkiolika buvusių klientų per pastaruosius 12 mėnesių pateikė ištrynimo prašymus. Kontora atsakė: "Negalime patvirtinti, kad jūsų įrašai buvo ištrinti." Toks atsakymas neatitinka BDAR 17 straipsnio.
Ką kontora padarė:
- Visų 80 000 failų OCR ir asmens duomenų aptikimas 5 000 failų paketais
- Apdorojimas užtruko apie tris savaites
- Rezultatas: 80 000 anonimizuotų teksto ištraukų su failų ataskaitomis
- Sukurtas ieškomas indeksas, siejantis objektus su failų ID
Po apdorojimo:
- Failų radimas vienam subjektui: vidutiniškai 4 minutės
- Failai vienam prašymui: vidutiniškai 6–8
- Redagavimo laikas vienam prašymui: 20–30 minučių
Visi 15 laukiančių prašymų buvo išspręsti per 30 dienų.
Svarbiausia: atitikties pareiga egzistavo dar prieš apdorojimą. Kontorai tiesiog trūko priemonių jai įvykdyti. OCR pagrįstas apdorojimas nesukūrė naujos pareigos. Jis leido vykdyti esamą pareigą.
OCR apribojimai ir kokybės lygmenys
Ranka rašytas tekstas turi žemesnį OCR tikslumą. Nustatykite žemesnę pasitikėjimo ribą prieš apdorodami ranka rašytą turinį.
Prasta nuskenavimo kokybė mažina balus. Kontrasto padidinimas ir kreivumo pašalinimas padeda prieš OCR vykdymą.
Neįprastas išdėstymas — kelių stulpelių puslapiai, seni teisiniai šriftai — taip pat gali gauti žemesnius balus.
Nustatykite kokybės lygmenis atitikties darbams:
- Virš 95 % puslapio tikslumo: vykdykite automatinį apdorojimą
- 80–95 %: vykdykite automatinį apdorojimą, po to žmogaus peržiūra pažymėtiems objektams
- Žemiau 80 %: siųskite į rankinę peržiūrą
Etapinis metodas suteikia reguliuotojams aiškų atsakymą apie tai, kaip vertinote patikimumą. Daugumą aukšto pasitikėjimo failų apdoroja automatiniai įrankiai. Likusius tvarko rankinė eilė. Pralaidumas išlieka aukštas. Atitikties kokybė taip pat išlieka aukšta.
Mūsų DUK apima dažniausiai užduodamus klausimus apie OCR pagrįstą apdorojimą ir audito sekos reikalavimus.