Detektionsbenchmarks

Sikkerhedskrav skal kunne inspiceres. Vi tester løbende vores open source-detektionsmotor mod standardiserede datasæt for at måle nøjagtighed, præcision og genkaldelse.

Pseudonymisering reducerer eksponeringen. Det gør ikke data anonyme. For et privatlivsprodukt betyder tilbagekaldelse enormt meget, fordi falske negativer lækker data til eksterne API'er.

Aktuelle benchmarkresultater

• Motorversion: 1.0.0
• Commit SHA: f8387dc Dato: 6. september 2026
• Datasæt: Enron / Presidio standardsæt (syntetisk og ægte)
• Samplestørrelse: 10.000 sætninger
• Sprog: engelsk, italiensk

Enhed	Præcision	Husk	F1 Score
E-mail	0,99	0,99	0,99
Person	0,94	0,88	0,91
Placering	0,91	0,85	0,88
Organisation	0,90	0,82	0,86
Telefon	0,98	0,95	0,96
IP-adresse	1.00	1.00	1.00

Metodik

1. Nøjagtighed: Ud af alle de enheder, som motoren markerede som "Person", hvor mange var faktisk personer? (En lav præcision betyder høje falske positiver, hvilket ødelægger nyttig ikke-følsom tekst).
2. Husk: Ud af alle de faktiske personer i teksten, hvor mange markerede motoren med succes? (En lav tilbagekaldelse betyder høje falske negativer, lækkende følsomme data).
3. F1 Score: Det harmoniske middelværdi af præcision og genkaldelse.

Gengivelse

Du kan selv reproducere disse benchmarks ved hjælp af vores open source-pakke.

pip install "pseudonymize[ml]"
python -m pseudonymize.benchmarks --benchmark-only