Бразильський Загальний закон про захист даних (LGPD) є третьою за охопленням населення системою захисту даних у світі — 215 мільйонів бразильців, що більше, ніж Германія, Франція та Велика Британія разом узяті. У 2024 році Національний орган із захисту даних (ANPD) прийняв перші значні рішення про виконання норм, що сигналізує про завершення перехідного періоду після прийняття LGPD у 2020 році.
Технічна складність відповідності є унікальною: бразильська португальська є мовою документів, що підпадають під LGPD, але бразильські національні ідентифікатори кардинально відрізняються від ідентифікаторів European Portuguese — і від будь-якої іншої системи національної ідентифікації у світі.
Чому бразильські PII технічно відмінні
Бразильські федеральні та державні системи ідентифікації розвивались окремо від European цифрових систем ідентифікації. Результатом є складний набір ідентифікаторів, які загальні інструменти NLP — більшість із яких навчені на English або European мовних даних — не можуть виявити:
CPF (Cadastro de Pessoas Físicas): 11-значний реєстраційний номер платника індивідуального податку є універсальним ідентифікатором громадян Бразилії. Формат: XXX.XXX.XXX-XX із двома контрольними цифрами. Алгоритм контрольних цифр CPF використовує два окремі модульні арифметичні розрахунки — якщо обидві контрольні цифри збігаються, CPF є дійсним.
Технічна проблема: CPF виявляють із точністю лише 45% інструменти NLP, навчені на English текстах (технічна оцінка ANPD 2024 року). Збої: інструменти, що знаходять 11-значні числа без двокрокової перевірки контрольних цифр, не можуть відрізнити дійсні CPF від випадкових послідовностей; і CPF зустрічається в бразильських документах без стандартного форматування XXX.XXX.XXX-XX у деяких контекстах (вивід OCR, текстові форми).
CNPJ (Cadastro Nacional da Pessoa Jurídica): 14-значний реєстраційний номер компанії. Формат: XX.XXX.XXX/XXXX-XX із двома контрольними цифрами, що використовують схожі (але не ідентичні) алгоритми з CPF.
RG (Registro Geral): Бразильський цивільний документ, що видається штатами. На відміну від CPF (федерального, уніфікованого), формат RG варіюється залежно від штату видачі:
- Сан-Паулу: 2 букви + 5–9 цифр (напр., MG-12.345.678)
- Ріо-де-Жанейро: 7–8 цифр із тире
- Мінас-Жерайс: 7–9 цифр
- Інші штати: різні формати
Інструмент, що розпізнає лише формат RG одного штату, пропускає більшість номерів RG у бразильських документах.
CNH (Carteira Nacional de Habilitação): 11-значний номер водійського посвідчення із контрольною цифрою. CNH видається на федеральному рівні, але формат включає кодування реєстраційного округу.
Título de Eleitor (виборчий реєстр): 12-значний номер із 3 компонентами — ідентифікаційний код (8 цифр), код штату (2 цифри), контрольні цифри (2 цифри).
Номер SUS (Cartão SUS): 15-значний номер єдиної системи охорони здоров'я, що присвоюється кожному бразильцю для доступу до державної охорони здоров'я. Зустрічається у всіх записах державних лікарень та первинної медичної допомоги.
PIS/PASEP: 11-значний номер програми соціальної інтеграції, що використовується у всіх трудових записах.
Стандарт анонімізації LGPD
Стаття 12 LGPD визначає анонімні дані як дані «стосовно суб'єкта даних, що не можуть бути ідентифіковані з урахуванням використання розумних технічних засобів, доступних на момент обробки». Це технологічно відносний стандарт — те, що є анонімним сьогодні, може не бути анонімним, коли в майбутньому розвинуться техніки повторної ідентифікації.
Рекомендації ANPD уточнюють, що анонімізація потребує більшого, ніж видалення явних ідентифікаторів (CPF, ім'я). Комбінації квазі-ідентифікаторів (вікова група, муніципалітет, стать, професія) можуть уможливити повторну ідентифікацію і повинні враховуватися шляхом узагальнення або додавання шуму.
Для навчальних даних ШІ ANPD вимагає, щоб дані, що використовуються для навчання великих мовних моделей або моделей машинного навчання, або:
- Були справді анонімізованими (відповідно до технічного стандарту статті 12), АБО
- Мали явну згоду кожного суб'єкта даних на конкретне використання для навчання, АБО
- Відповідали законній меті із задокументованим обґрунтуванням
Вимоги до бразильської португальської мови
Бразильська португальська відрізняється від European Portuguese (Португалія) лексикою, правописом та документальними конвенціями. Моделі NLP, навчені на European Portuguese, демонструють приблизно 71% точності моделей, навчених спеціально на бразильських Portuguese текстах (технічна оцінка ANPD).
Конкретні відмінності, актуальні для виявлення PII:
- Конвенції імен: Бразильські імена відповідають іншим шаблонам, ніж Portuguese. Поширені бразильські прізвища (Silva, Santos, Oliveira, Souza) ті самі, але конвенції іменування (подвійні прізвища, порядок переваг) відрізняються.
- Формати адрес: Бразильські адреси використовують «Rua», «Avenida», «Alameda», «Travessa» аналогічно до Португалії, але поштові індекси CEP (8-значний формат: XXXXX-XXX) є специфічними для Бразилії і потребують бразильського розпізнавання поштових індексів.
- Документальна термінологія: Бразильські типи документів використовують іншу термінологію, ніж European Portuguese — «Carteira de Identidade» проти «Bilhete de Identidade» для національного посвідчення, різні назви державних органів.
Для відповідності LGPD: CPF та CNPJ із двокроковою перевіркою контрольних цифр, розпізнавання формату RG для кількох штатів, виявлення номерів SUS та Título de Eleitor, а також підтримка моделі NLP для бразильської Portuguese є технічною базою для відповідності ANPD.
Джерела: