Benchmark di rilevamento
Le dichiarazioni di sicurezza dovrebbero essere ispezionabili. Testiamo continuamente il nostro motore di rilevamento open source rispetto a set di dati standardizzati per misurare accuratezza, precisione e richiamo.
La pseudonimizzazione riduce l'esposizione. Non rende i dati anonimi. Per un prodotto per la privacy, il richiamo è estremamente importante perché i falsi negativi trapelano dati verso API esterne.
Risultati attuali del benchmark
- Versione motore: 1.0.0
- Commit SHA:
f8387dc - Data: 6 settembre 2026
- Set di dati: set standard Enron/Presidio (sintetico e reale)
- Dimensione del campione: 10.000 frasi
- Lingue: inglese, italiano
| Entità | Precisione | Richiamo | Punteggio F1 |
|---|---|---|---|
| 0,99 | 0,99 | 0,99 | |
| Persona | 0,94 | 0,88 | 0,91 |
| Posizione | 0,91 | 0,85 | 0,88 |
| Organizzazione | 0,90 | 0,82 | 0,86 |
| Telefono | 0,98 | 0,95 | 0,96 |
| Indirizzo IP | 1.00 | 1.00 | 1.00 |
Metodologia
- Precisione: tra tutte le entità contrassegnate dal motore come "Persona", quante erano effettivamente persone? (Una precisione bassa significa un numero elevato di falsi positivi, che distrugge il testo utile non sensibile).
- Ricorda: Tra tutte le persone presenti nel testo, quante sono state contrassegnate con successo dal motore? (Un richiamo basso significa un numero elevato di falsi negativi, perdita di dati sensibili).
- Punteggio F1: la media armonica di precisione e richiamo.
Riproduzione
Puoi riprodurre tu stesso questi benchmark utilizzando il nostro pacchetto Python open source.
pip install "pseudonymize[ml]"
python -m pseudonymize.benchmarks --benchmark-only