Benchmarks de detecção
As reivindicações de segurança devem ser inspecionáveis. Testamos continuamente nosso mecanismo de detecção de código aberto em conjuntos de dados padronizados para medir exatidão, precisão e recall.
A pseudonimização reduz a exposição. Isso não torna os dados anônimos. Para um produto de privacidade, recall é extremamente importante porque falsos negativos vazam dados para APIs externas.
Resultados de referência atuais
- Versão do motor: 1.0.0
- Confirmar SHA:
f8387dc - Data: 6 de setembro de 2026
- Conjunto de dados: Conjuntos de padrões Enron/Presidio (Sintéticos e Reais)
- Tamanho da amostra: 10.000 frases
- Idiomas: Inglês, Italiano
| Entidade | Precisão | Lembrar | Pontuação F1 |
|---|---|---|---|
| 0,99 | 0,99 | 0,99 | |
| Pessoa | 0,94 | 0,88 | 0,91 |
| Localização | 0,91 | 0,85 | 0,88 |
| Organização | 0,90 | 0,82 | 0,86 |
| Telefone | 0,98 | 0,95 | 0,96 |
| Endereço IP | 1,00 | 1,00 | 1,00 |
Metodologia
- Precisão: de todas as entidades sinalizadas pelo mecanismo como "Pessoa", quantas eram realmente pessoas? (Uma baixa precisão significa altos falsos positivos, destruindo textos úteis e não confidenciais).
- Lembre-se: De todas as pessoas reais no texto, quantas o mecanismo sinalizou com sucesso? (Um recall baixo significa altos falsos negativos, vazamento de dados confidenciais).
- Pontuação F1: A média harmônica de precisão e recuperação.
Reprodução
Você mesmo pode reproduzir esses benchmarks usando nosso pacote de código aberto.
pip install "pseudonymize[ml]"
python -m pseudonymize.benchmarks --benchmark-only