Kodi ya Taarifa Potofu kwenye Zana za Ugunduzi wa PII
Imesasishwa kwa 2026
Zana nyingi za PII zinapimwa kwa kumbukumbu. Kumbukumbu inapima sehemu ngapi ya PII halisi zana inapata. Lakini usahihi pia una umuhimu sawa. Usahihi unapima sehemu ngapi ya tahadhari za zana ni PII halisi.
Usahihi wa chini ni ghali. Mfumo wenye kumbukumbu ya 95% na usahihi wa 22.7% unakamata PII nyingi. Lakini kwa kila kitengo halisi cha PII kinachowekwa alama, pia hunua tahadhari 3.4 potofu. Katika dataset yenye vitengo 10,000 vya PII halisi, mfumo huo unawasha tahadhari takriban 44,000. Takriban 34,000 kati yao ni potofu. Kila moja inahitaji muda wa kupitiwa au inasababisha ufutaji wa kupita kiasi.
Hii ndiyo kodi ya taarifa potofu. Ni mzigo wowote timu inaoubeba wakati wa kuendesha mfumo wa PII wenye kumbukumbu kubwa lakini usahihi mdogo kwa kiwango kikubwa. Gharama ya moja kwa moja ni muda wa mpitio. Gharama ya moja kwa moja ni mbaya zaidi: hati zilizofutwa kupita kiasi zinaficha data muhimu, zinakawamisha kazi, na zinadhoofisha imani kwa zana.
Kinachoonekana katika Suala la Presidio #1071
Mjadala wa GitHub wa Microsoft Presidio #1071 (2024) unarekodi mfumo maalum. Vitambulisho vya TFN (Tax File Number) na PCI vinatumia uthibitishaji wa jumla. Nambari zinazopita jumla hupokea alama ya 1.0 -- imani ya juu kabisa. Muktadha wa PII hauhitajiki.
Sababu ya msingi: ukaguzi wa maneno ya muktadha hufanyika baada ya hatua ya jumla, si kabla. Nambari inayopita jumla hupata alama ya juu bila kujali maandishi yanayoizunguka. Katika lahajedwali za fedha, datasets za kisayansi, au faili za kumbukumbu, hii inajaza matokeo na tahadhari potofu. Uchujaji wa kizingiti cha alama hauwezi kurekebisha hili. Alama tayari ziko kiwango cha juu kabisa.
Mfumo wa pili unaonekana katika suala la Presidio #999. Usegmentaji wa maneno ya Kijerumani unashindwa kwa nomino zinazounganishwa. Maneno kama Bundesbehorde (mamlaka ya shirikisho) yanaweza kugawanywa kwa makosa na kuandikwa alama kama majina ya kibinafsi. Hii inaongeza kelele katika hati yoyote ya Kijerumani.
Tatizo la Usahihi wa 22.7%
Alvaro et al. (2024) walijaribu Presidio kwenye datasets za biashara za lugha nyingi. Waligundua usahihi wa 22.7%. Katika hati halisi, chini ya moja kati ya nne ya tahadhari za Presidio ni kitengo halisi cha PII. Hii inalingana na kile wataalamu wanaripoti. Zana iliyoratibishwa kwa kumbukumbu peke yake inazalisha kelele nyingi sana kwa matumizi ya uzalishaji.
Utafiti wa DICOM wa 2024 ulionyesha kwamba kuinua score_threshold hadi 0.7 bado kuliacha tahadhari potofu katika picha 38 kati ya 39 za matibabu. Kizingiti kinachoondoa kelele katika aina moja ya hati huunda makosa katika nyingine.
Hii si tatizo la Presidio peke yake. Kizingiti chochote cha kudumu kinalazimisha biashara. Kizingiti kikubwa hukata kelele lakini kinaongeza makosa. Kizingiti kidogo huinua kumbukumbu lakini kinafurika idadi ya tahadhari.
Upimaji wa Alama Unaozingatia Muktadha
Urejesho ni upimaji wa imani unaozingatia muktadha. Badala ya kupima kulingana na ulinganisho wa mfumo peke yake, mfumo huinua imani wakati maneno ya muktadha yanaonekana karibu na ulinganisho. Pia hupunguza alama wakati muktadha hauko.
Kwa ugunduzi wa TFN: maneno kama "tax file number," "TFN," au "Australian tax" karibu na nambari huinua alama yake. Nambari inayopita jumla lakini haina maneno ya muktadha karibu inapata alama chini ya kizingiti cha mapitio. Tahadhari ya bandia inazuiwa.
Kwa kelele ya lugha nyingi: aina za vitengo zinazohusu nchi maalum zinaweza kupewa upeo kwa hati katika lugha inayolingana. Kitambulishi cha TFN kilichopewa upeo kwa Kiingereza na Kiingereza cha Australia huondoa kelele. Kukiendesha kwenye maudhui ya Kijerumani bila upeo ndiyo chanzo cha tatizo.
Tabaka la tatu katika mfumo wa mseto ni mfano wa transformer. Inasoma dirisha kamili la muktadha karibu na kila mgombea. Inabainisha tofauti kati ya "John Smith, Patient ID 12345" na msimbo wa bidhaa unaolingana na mfumo wa jina. Muktadha hutatua utata ambao regex na jumla haiwezi.
Angalia jinsi injini ya ugunduzi ya tabaka tatu inavyoshughulikia usahihi kwa kiwango kikubwa. Mwongozo wa ugunduzi wa PII wa lugha nyingi unashughulikia jinsi kelele ya lugha nyingi inavyoathiri uzingatiaji wa GDPR.
Hatua za Vitendo
Kabla ya kupeleka zana yoyote ya PII, pima usahihi wake -- si kumbukumbu peke yake.
Endesha zana kwenye seti ya hati yenye PII inayojulikana na PII isiyojulikana. Hesabu tahadhari katika vikundi vyote viwili. Hesabu true_positives / (true_positives + false_positives). Nambari hii inafunua mzigo wa mapitio kabla ya kujitolea kwa upelekaji.
Kwa timu zinazotumia Presidio tayari, uchambuzi wa usambazaji wa alama ni njia ya haraka. Hamisha sampuli ya ugunduzi na alama zao za imani. Hesabu ni ngapi zinapata alama chini ya 0.6, 0.7, na 0.8. Sehemu kubwa ya tahadhari za alama za juu katika maandishi safi inaashiria pengo la muktadha, si tatizo la kizingiti. Muhtasari wa uzingatiaji wa usalama unaeleza jinsi ya kuandika hili katika DPIA.
Vyanzo
- Mjadala wa GitHub wa Microsoft Presidio #1071: taarifa potofu za kimfumo.
- Suala la GitHub la Microsoft Presidio #999: mifumo ya taarifa potofu za lugha ya Kijerumani.
- Alvaro et al. (2024): Usahihi wa Presidio kwenye datasets za biashara za lugha nyingi.
- Uchambuzi wa kizingiti cha alama cha DICOM -- jamii ya Microsoft Presidio.