Presidio πριν από LLM: η απόκρυψη δεν σημαίνει ανωνυμοποίηση

Για να μειώσετε την έκθεση προσωπικών δεδομένων πριν στείλετε ελληνικό κείμενο σε LLM, περιορίστε πρώτα όσα χρειάζεται η εργασία, εντοπίστε τα αναγνωριστικά, μετασχηματίστε τα και ελέγξτε το πλήρες κείμενο που τελικά θα αποσταλεί. Η κάλυψη ενός ονόματος μπορεί να βοηθήσει, αλλά δεν αποδεικνύει ανωνυμοποίηση. Η γνώμη του EDPB για τα μοντέλα ΤΝ παραπέμπει στα κριτήρια απομόνωσης, σύνδεσης και συναγωγής πληροφοριών κατά την αξιολόγηση υποτιθέμενα ανώνυμων δεδομένων.

Η ροή χρειάζεται να λειτουργεί πριν από την κλήση του μοντέλου, στο περιβάλλον που ελέγχετε. Αν πρέπει αργότερα να συνδέσετε την απάντηση με συγκεκριμένο πρόσωπο, κρατήστε την αντιστοίχιση χωριστά από το prompt και αντιμετωπίστε το αποτέλεσμα ως ψευδωνυμοποιημένα προσωπικά δεδομένα. Το ίδιο ισχύει όταν παραμένουν συμφραζόμενα που μπορούν να οδηγήσουν σε αναγνώριση, ακόμη κι αν όλα τα εμφανή ονόματα έχουν αντικατασταθεί.

Προσαρμόστε τον εντοπισμό στα ελληνικά δεδομένα

Ο μετασχηματισμός εξαρτάται από όσα βρίσκει πρώτα ο Analyzer. Η λίστα αναγνωριστών του Presidio περιλαμβάνει γενικές κατηγορίες, όπως ονόματα, email, IBAN και τηλέφωνα, και επιτρέπει προσαρμοσμένους αναγνωριστές· δεν παραθέτει ξεχωριστή ενότητα χώρας για την Ελλάδα ή την Κύπρο. Η παρουσία μιας γενικής κατηγορίας στη λίστα δεν εγγυάται ότι κάθε μορφή ελληνικού αναγνωριστικού ή κάθε ελληνική φράση εντοπίζεται στην εγκατάστασή σας.

Καταγράψτε τις κατηγορίες που εμφανίζονται στη δική σας ροή: ονόματα, διευθύνσεις, τηλέφωνα, ΑΦΜ, ΑΜΚΑ, κυπριακά αναγνωριστικά και εσωτερικούς αριθμούς υποθέσεων, εφόσον υπάρχουν. Για δομημένα πεδία, ένας προσαρμοσμένος κανόνας μπορεί να συνδυάζει μοτίβο, έλεγχο εγκυρότητας όπου είναι διαθέσιμος και λέξεις συμφραζομένων όπως «ΑΦΜ». Για ονόματα σε ελεύθερο κείμενο χρειάζεται διαφορετική προσέγγιση, με κατάλληλο γλωσσικό μοντέλο ή ειδικούς αναγνωριστές που δοκιμάζονται σε πτώσεις, τόνους, κεφαλαία και μεικτή γραφή.

Εξετάστε και τις επικαλύψεις: η ίδια ακολουθία μπορεί να ταιριάζει σε περισσότερους από έναν κανόνες, ενώ ένας υπερβολικά γενικός κανόνας αριθμών μπορεί να σημαδέψει αθώο περιεχόμενο. Κρατήστε για κάθε εύρημα την κατηγορία, τη θέση και την εκτίμηση βεβαιότητας, ώστε να διορθώνετε τις αμφίβολες περιπτώσεις πριν γίνει αντικατάσταση. Η εξέταση αυτή πρέπει να γίνεται χωρίς να στέλνεται το αρχικό κείμενο στο εξωτερικό LLM για ταξινόμηση.

Διαλέξτε μετασχηματισμό σύμφωνα με την εργασία

Το Presidio Anonymizer δέχεται ευρήματα εντοπισμού και προσφέρει αντικατάσταση, πλήρη αφαίρεση, masking, hashing, κρυπτογράφηση και προσαρμοσμένους operators. Η επιλογή γίνεται ανά κατηγορία δεδομένων: μια περίληψη αιτήματος ίσως χρειάζεται τον ρόλο «αιτών», αλλά όχι το όνομα ή τον αριθμό τηλεφώνου του. Ό,τι δεν προσφέρει στην απάντηση μπορεί να αφαιρεθεί εντελώς.

Σε ένα υποθετικό αίτημα, η φράση «Η Μαρία Παπαδοπούλου ζήτησε ενημέρωση» μπορεί να γίνει «Το [ΠΡΟΣΩΠΟ] ζήτησε ενημέρωση». Αν το μοντέλο πρέπει να διακρίνει τον αιτούντα από τον εκπρόσωπό του, χρησιμοποιήστε διαφορετικές προσωρινές ετικέτες μέσα στο συγκεκριμένο αίτημα. Η αντιστοίχιση των ετικετών με πραγματικά πρόσωπα, όταν απαιτείται, παραμένει στο δικό σας σύστημα.

Η μερική κάλυψη αφήνει ορατούς χαρακτήρες και πρέπει να χρησιμοποιείται μόνο όταν αυτοί είναι αναγκαίοι. Ένα σταθερό αναγνωριστικό ή ένα hash που έχει ρυθμιστεί να επαναλαμβάνεται μπορεί να συνδέσει διαφορετικά κείμενα του ίδιου προσώπου· η επαναληψιμότητα έχει αξία μόνο όταν την απαιτεί η εργασία. Η κρυπτογράφηση επιτρέπει ανάκτηση με το κατάλληλο κλειδί, οπότε το κλειδί, οι πίνακες αντιστοίχισης και τα πρωτότυπα χρειάζονται χωριστή πρόσβαση και δεν μπαίνουν στο prompt.

Δοκιμάστε με τα είδη κειμένου που θα δέχεται η ροή

Φτιάξτε δοκιμαστικό corpus με επισημασμένα αποσπάσματα, ξεκινώντας από συνθετικά παραδείγματα. Περιλάβετε σύντομες φόρμες, μακροσκελείς αφηγήσεις, ονόματα σε διαφορετικές πτώσεις, ποικίλες γραφές τηλεφώνων, αναγνωριστικά από Ελλάδα και Κύπρο και κείμενα χωρίς προσωπικά δεδομένα. Έτσι φαίνονται τόσο τα στοιχεία που διαφεύγουν όσο και τα αθώα τμήματα που αφαιρούνται άσκοπα.

Ελέγξτε χωριστά την ποιότητα του εντοπισμού και τη χρησιμότητα του μετασχηματισμένου κειμένου. Αν η περίληψη πρέπει να εξηγεί ποιος υπέβαλε το αίτημα και ποιος ενεργεί ως εκπρόσωπος, οι δύο ρόλοι πρέπει να παραμένουν κατανοητοί χωρίς τα ονόματα. Αφού ρυθμίσετε τους κανόνες με συνθετικά δεδομένα, χρησιμοποιήστε αντιπροσωπευτικά δείγματα της πραγματικής ροής υπό ελεγχόμενη πρόσβαση και επαναλάβετε τη δοκιμή όταν αλλάζει το είδος εισόδου, το γλωσσικό μοντέλο ή κάποιος αναγνωριστής.

Ο έλεγχος συνεχίζεται μετά τον Anonymizer. Δείτε το πλήρες αίτημα όπως θα φύγει προς το LLM: κύριο κείμενο, ανακτημένα αποσπάσματα, κείμενο από συνημμένα και μεταδεδομένα που προστίθενται κατά τη σύνθεση. Ένα αναγνωριστικό μπορεί να έχει αφαιρεθεί από τον κύριο κορμό και να επανεμφανιστεί σε άλλο πεδίο.

Εξετάστε την επαναταυτοποίηση στο τελικό κείμενο

Ο έλεγχος ανωνυμοποίησης αφορά το αποτέλεσμα που λαμβάνει ο παραλήπτης μαζί με πληροφορίες τις οποίες θα μπορούσε εύλογα να συνδυάσει. Στην απομόνωση, εξετάζετε αν ένας σπάνιος συνδυασμός τόπου, ρόλου και γεγονότος ξεχωρίζει ένα πρόσωπο. Στη σύνδεση, εξετάζετε αν επαναλαμβανόμενες ετικέτες, σταθερά αναγνωριστικά ή λεπτομέρειες επιτρέπουν την ένωση διαφορετικών αιτημάτων.

Η συναγωγή αφορά όσα μπορεί να αποκαλύπτει έμμεσα το περιεχόμενο. Σε ένα υποθετικό αίτημα, η αντικατάσταση του ονόματος δεν αρκεί αν μια μοναδική ιδιότητα, ένας μικρός τόπος και ένα συγκεκριμένο γεγονός επιτρέπουν στον παραλήπτη να συμπεράνει σε ποιον αναφέρεται μια ευαίσθητη πληροφορία. Όταν αυτές οι λεπτομέρειες δεν χρειάζονται για την απάντηση, αφαιρέστε τις ή γενικεύστε τις και αξιολογήστε ξανά το τελικό κείμενο.

Τοποθετήστε τον έλεγχο πριν από κάθε αποστολή

Η ροή προστατεύει το prompt μόνο αν εφαρμόζεται σε κάθε κλήση πριν φύγει οποιοδήποτε σχετικό κείμενο. Αν ο εντοπισμός ή ο μετασχηματισμός αποτύχει, σταματήστε την αποστολή και κατευθύνετε το αίτημα σε ελεγχόμενη εξέταση. Μια τεχνική καταγραφή μπορεί να κρατά τις κατηγορίες ευρημάτων, την έκδοση των κανόνων και την απόφαση αποστολής, χωρίς να αντιγράφει το αρχικό προσωπικό κείμενο.

Περιορίστε την πρόσβαση στα πρωτότυπα, στα κλειδιά και στις αντιστοιχίσεις και ορίστε πότε διαγράφονται. Για εξωτερικό LLM, εξετάστε επίσης ποιος λαμβάνει το prompt, για ποιο σκοπό και με ποιους όρους το διατηρεί ή το χρησιμοποιεί. Εφόσον παραμένει δυνατότητα σύνδεσης με πρόσωπο, η μείωση της έκθεσης δεν αίρει τις υποχρεώσεις για την επεξεργασία προσωπικών δεδομένων.

Διαβάστε επίσης:

• Signal ή WhatsApp: η κρυπτογράφηση δεν σημαίνει ίδια ιδιωτικότητα
• Δωρεάν εργαλεία ΤΝ για το Δημόσιο: από ανωνυμοποίηση έως eSummary
• Ko-fi ή Patreon: η μισή προμήθεια σημαίνει και λιγότερη υποδομή