Benchmarks de détection
Les réclamations en matière de sécurité doivent être inspectables. Nous testons en permanence notre moteur de détection open source par rapport à des ensembles de données standardisés pour mesurer l'exactitude, la précision et le rappel.
La pseudonymisation réduit l'exposition. Cela ne rend pas les données anonymes. Pour un produit de confidentialité, le rappel est extrêmement important car les faux négatifs divulguent des données vers des API externes.
Résultats de référence actuels
- Version du moteur : 1.0.0
- Commettre SHA :
f8387dc - Date : 6 septembre 2026
- Ensemble de données : Ensembles de normes Enron/Presidio (synthétiques et réels)
- Taille de l'échantillon : 10 000 phrases
- Langues : Anglais, Italien
| Entité | Précision | Rappel | Résultats F1 |
|---|---|---|---|
| Courriel | 0,99 | 0,99 | 0,99 |
| Personne | 0,94 | 0,88 | 0,91 |
| Emplacement | 0,91 | 0,85 | 0,88 |
| Organisation | 0,90 | 0,82 | 0,86 |
| Téléphone | 0,98 | 0,95 | 0,96 |
| Adresse IP | 1h00 | 1h00 | 1h00 |
Méthodologie
- Précision : Parmi toutes les entités signalées par le moteur comme « Personne », combien étaient en réalité des personnes ? (Une faible précision signifie un nombre élevé de faux positifs, détruisant du texte utile non sensible).
- Rappel : Parmi toutes les personnes réelles figurant dans le texte, combien le moteur a-t-il réussi à signaler ? (Un faible rappel signifie un nombre élevé de faux négatifs et une fuite de données sensibles).
- Score F1 : La moyenne harmonique de précision et de rappel.
Reproduction
Vous pouvez reproduire vous-même ces benchmarks à l'aide de notre référentiel open source.
pip install "pseudonymize[ml]"
python -m pseudonymize.benchmarks --benchmark-only