# Entités prises en charge
Pseudonymize.io utilise une combinaison de modèles ML, de correspondance de modèles et de validateurs exacts pour détecter les données sensibles. Toutes les détections d'entités ne sont pas équivalentes ; comprendre le détecteur sous-jacent vous aide à anticiper la fiabilité.
Matrice de capacités
| Entité | Exemple | Détecteur | Déterministe | Réversible |
|---|---|---|---|---|
| Courriel | [email protected] | modèle | oui | oui/non |
| Téléphone | +49 151 2345678 | modèle/bibliothèque | oui | oui/non |
| Personne | Alice Rossi | ML (NER) | oui | oui/non |
| Emplacement | Munich | ML (NER) | oui | oui/non |
| Organisation | Acme Corp | ML (NER) | oui | oui/non |
| Adresse IP | 192.168.1.1 | modèle | oui | oui/non |
| IBAN | DE89370400440532013000 | validateur | oui | oui/non |
| Carte de paiement | 4532... | validateur (Luhn) | oui | oui/non |
Types de détecteurs
- Modèle : Implémentations Regex extrêmement fiables. Attendez-vous à une précision et un rappel proches de 100 % pour les chaînes correctement formatées (comme les adresses IP).
- Validateur : Regex suivi d'un contrôle de validation algorithmique (par exemple, algorithme de Luhn pour les cartes de crédit, sommes de contrôle pour les IBAN). Empêche les faux positifs sur des nombres aléatoires à 16 chiffres.
- ML (NER) : Modèles de traitement du langage naturel (reconnaissance d'entités nommées). Très dépendant du contexte. La précision et le rappel oscillent généralement entre 85 % et 95 %. Attendez-vous à des faux négatifs si un nom est complètement isolé sans contexte grammatical environnant.
Entités personnalisées
Si votre application utilise des identifiants propriétaires (comme les ID de ticket de support internes « TK-XXXX »), vous pouvez transmettre des modèles Regex personnalisés dans la charge utile de l'API sous « custom_entities » (à venir dans la version 1.2).