Anonimizador de Datos

Dos capas: patrones y un modelo

La mayoría de los valores sensibles tienen una forma, y una forma se puede comprobar. Los números de tarjeta se validan con el algoritmo de Luhn, los IBAN con la comprobación mod 97 de ISO 13616, las direcciones IPv4 octeto a octeto y las IPv6 con el mismo analizador que la calculadora de subredes. Las claves de API se reconocen por los prefijos que publican sus emisores - GitHub, AWS, Stripe, Slack, Google, npm y las claves sk- de los servicios de IA -, además de bloques de clave privada, cabeceras Authorization y asignaciones como DB_PASSWORD=. Esta capa se ejecuta con cada tecla y no hay que descargar nada.

Los nombres, las direcciones postales y los números de documento no tienen forma alguna. Nada distingue a Rosa, la flor, de Rosa, la clienta, salvo la frase que la rodea; por eso la segunda capa es un modelo y no un patrón. Es Rampart, un pequeño clasificador de tokens publicado por National Design Studio con licencia CC BY 4.0: seis capas de transformer, unos 15 MB, entrenado para etiquetar nombres de pila, apellidos, calles y números fiscales, de pasaporte y de licencia de conducir. Se ejecuta en un worker en segundo plano en tu dispositivo, y solo cuando lo activas.

Cuando las dos capas discrepan sobre los mismos caracteres, gana el patrón. Un número que supera un dígito de control es una prueba más sólida que la conjetura de un modelo. Y un valor siempre se reemplaza entero: dejar medio correo a la vista es peor que cualquiera de las dos respuestas.

Lo que se le escapará

Ninguna ocultación automática es completa, y esta no es la excepción. La evaluación publicada del propio modelo mide alrededor de un 98% de exhaustividad en su conjunto de prueba en alfabeto latino, es decir, que aproximadamente uno de cada sesenta datos privados se cuela incluso en textos parecidos a los de entrenamiento. Con nombres escritos en otros alfabetos es mucho más débil: la ficha del modelo indica cerca de un 46% para nombres japoneses, un 15% para coreanos y un 9% para chinos. La capa de patrones funciona en cualquier idioma, pero un nombre no es un patrón.

Hay información que identifica a alguien sin ser un valor. Un cargo, un pueblo pequeño y una fecha juntos pueden señalar a una persona sin contener nada que una herramienta pueda ocultar. El otro punto ciego son los identificadores internos: números de cliente, de expediente, nombres de servidores y nombres en clave de proyectos solo tienen sentido dentro de tu organización, así que nada externo puede reconocerlos. Reemplázalos a mano antes o después de usar esta herramienta.

De ahí el resaltado. Cada reemplazo queda marcado en el resultado, y lo que encontró el modelo lleva un contorno discontinuo porque es un juicio, no una coincidencia. Lee el resultado antes de pegarlo en ningún sitio: la herramienta está para que esa lectura sea rápida, no para que sea innecesaria.

Cómo elegir el tipo de reemplazo

Las etiquetas numeradas son la opción predeterminada porque mantienen el texto útil. El mismo valor recibe siempre la misma etiqueta, sin distinguir mayúsculas, de modo que un log sigue contando una historia coherente: [EMAIL_1] falló al iniciar sesión tres veces y luego [EMAIL_2] entró desde la misma [IP_1]. Un asistente de IA que lea la versión ocultada todavía puede razonar sobre quién hizo qué, algo imposible si todas las direcciones se convierten en la misma palabra.

Las etiquetas simples eliminan ese vínculo. Úsalas cuando incluso el patrón de repetición sea sensible - cuántos clientes distintos aparecen en un incidente, por ejemplo - o cuando quieras que sobreviva la menor información posible.

Los asteriscos conservan la longitud y la disposición originales, lo que viene bien para salidas de ancho fijo y capturas de pantalla. El coste es que la longitud misma filtra un poco: un nombre de cuatro letras y uno de doce siguen siendo distinguibles.

Cuidado con la palabra anónimo. Según el RGPD, quitar los identificadores evidentes suele dar como resultado datos seudonimizados, que siguen siendo datos personales. Esta herramienta no guarda ninguna tabla que lleve de las etiquetas a los valores, pero el contexto que queda todavía puede identificar a alguien.

Adónde va tu texto

A ningún sitio. La capa de patrones se ejecuta en la página. El modelo, cuando lo activas, se descarga una sola vez desde este sitio - unos 30 MB entre el motor WebAssembly de ONNX Runtime y los pesos del modelo - y el navegador lo guarda en caché. Después se ejecuta en un Web Worker, y ni el texto ni los resultados salen de tu dispositivo. Puedes comprobarlo en la pestaña Red de las herramientas para desarrolladores: tras la descarga, la detección no genera ninguna petición.

Esto importa aquí más que en la mayoría de herramientas. Lo habitual es ocultar datos de un texto porque va a ir a otro sitio: un asistente de IA, un gestor de incidencias público, un foro, el soporte de un proveedor. Una herramienta que subiera el texto sin ocultar para poder ocultarlo traicionaría su propio propósito.