Ondersteunde entiteiten
Pseudonymize.io gebruikt een combinatie van ML-modellen, patroonmatching en exacte validators om gevoelige gegevens te detecteren. Niet alle entiteitsdetectie is gelijkwaardig; Door de onderliggende detector te begrijpen, kunt u op betrouwbaarheid anticiperen.
Capaciteitsmatrix
| Entiteit | Voorbeeld | Detector | Deterministisch | Omkeerbaar |
|---|---|---|---|---|
| [email protected] | patroon | ja | ja/nee | |
| Telefoon | +49 151 2345678 | patroon/bibliotheek | ja | ja/nee |
| Persoon | Alice Rossi | ML (NER) | ja | ja/nee |
| Locatie | München | ML (NER) | ja | ja/nee |
| Organisatie | Acme Corp | ML (NER) | ja | ja/nee |
| IP-adres | 192.168.1.1 | patroon | ja | ja/nee |
| IBAN | DE89370400440532013000 | validator | ja | ja/nee |
| Betaalkaart | 4532... | validator (Luhn) | ja | ja/nee |
Detectortypen
- Patroon: Extreem betrouwbare Regex-implementaties. Verwacht een precisie en herinnering van bijna 100% voor correct opgemaakte tekenreeksen (zoals IP-adressen).
- Validator: Regex gevolgd door een algoritmische validatiecontrole (bijv. Luhn-algoritme voor creditcards, controlesommen voor IBAN's). Voorkomt valse positieven op willekeurige 16-cijferige getallen.
- ML (NER): Modellen voor natuurlijke taalverwerking (Named Entity Recognition). Sterk contextafhankelijk. Precisie en herinnering schommelen doorgaans tussen 85% en 95%. Verwacht een aantal valse negatieven als een naam volledig geïsoleerd is zonder omringende grammaticale context.
Aangepaste entiteiten
Als uw toepassing bedrijfseigen ID's gebruikt (zoals interne 'TK-XXXX' ondersteuningsticket-ID's), kunt u aangepaste Regex-patronen doorgeven in de API-payload onder 'custom_entities' (beschikbaar in v1.2).