Entità supportate

Pseudonymize.io utilizza una combinazione di modelli ML, corrispondenza di modelli e validatori esatti per rilevare dati sensibili. Non tutti i rilevamenti di entità sono equivalenti; comprendere il rilevatore sottostante aiuta ad anticipare l'affidabilità.

Matrice delle capacità

Entità	Esempio	Rilevatore	deterministico	Reversibile
E-mail	[email protected]	modello	sì	sì/no
Telefono	+49 151 2345678	modello/libreria	sì	sì/no
Persona	Alice Rossi	ML(NER)	sì	sì/no
Posizione	Monaco	ML(NER)	sì	sì/no
Organizzazione	Acme Corp.	ML(NER)	sì	sì/no
Indirizzo IP	192.168.1.1	modello	sì	sì/no
IBAN	DE89370400440532013000	validatore	sì	sì/no
Carta di pagamento	4532...	validatore (Luhn)	sì	sì/no

Tipi di rilevatori

1. Modello: Implementazioni Regex estremamente affidabili. Aspettatevi una precisione vicina al 100% e un richiamo per stringhe formattate correttamente (come gli indirizzi IP).
2. Validatore: Regex seguito da un controllo di validazione algoritmica (es. algoritmo Luhn per carte di credito, checksum per IBAN). Previene i falsi positivi su numeri casuali a 16 cifre.
3. ML (NER): Modelli di elaborazione del linguaggio naturale (riconoscimento di entità denominate). Altamente dipendente dal contesto. La precisione e il richiamo in genere oscillano tra l'85% e il 95%. Aspettatevi alcuni falsi negativi se un nome è completamente isolato senza contesto grammaticale circostante.

Entità personalizzate

Se la tua applicazione utilizza identificatori proprietari (come gli ID ticket di supporto interni TK-XXXX), puoi passare modelli Regex personalizzati nel payload dell'API in "custom_entities" (disponibile nella versione 1.2).