Tuetut kokonaisuudet
Pseudonymize.io käyttää ML-mallien, mallinsovituksen ja tarkkojen validaattoreiden yhdistelmää arkaluonteisten tietojen havaitsemiseen. Kaikki entiteetin havaitseminen ei ole samanarvoista; taustalla olevan ilmaisimen ymmärtäminen auttaa ennakoimaan luotettavuutta.
Kykymatriisi
| Entiteetti | Esimerkki | Ilmaisin | Deterministinen | Käännettävä |
|---|---|---|---|---|
| Sähköposti | [email protected] | kuvio | kyllä | kyllä/ei |
| Puhelin | +49 151 2345678 | kuvio/kirjasto | kyllä | kyllä/ei |
| Henkilö | Alice Rossi | ML (NER) | kyllä | kyllä/ei |
| Sijainti | München | ML (NER) | kyllä | kyllä/ei |
| Organisaatio | Acme Corp | ML (NER) | kyllä | kyllä/ei |
| IP-osoite | 192.168.1.1 | kuvio | kyllä | kyllä/ei |
| IBAN | DE89370400440532013000 | validaattori | kyllä | kyllä/ei |
| Maksukortti | 4532... | validaattori (Luhn) | kyllä | kyllä/ei |
Ilmaisintyypit
- Kuvio: Erittäin luotettavat Regex-toteutukset. Odotettavissa on lähes 100 %:n tarkkuus ja oikein muotoiltujen merkkijonojen (kuten IP-osoitteiden) palautus.
- Validaattori: Regex, jota seuraa algoritminen vahvistustarkistus (esim. Luhn-algoritmi luottokorteille, tarkistussummat IBAN-numeroille). Estää väärät positiiviset satunnaiset 16-numeroiset numerot.
- ML (NER): Natural Language Processing -mallit (nimetyn kokonaisuuden tunnistus). Riippuu suuresti kontekstista. Tarkkuus ja palautus ovat tyypillisesti 85–95 %. Odota vääriä negatiivisia, jos nimi on täysin eristetty ilman ympäröivää kielioppikontekstia.
Mukautetut kokonaisuudet
Jos sovelluksesi käyttää omia tunnisteita (kuten sisäisiä TK-XXXX-tuen lipputunnuksia), voit välittää mukautettuja Regex-malleja sovellusliittymän hyötykuormassa kohdassa "custom_entities" (tulossa v1.2).