Sensor Data Pribadi

Dua lapis: pola dan model

Sebagian besar nilai sensitif punya bentuk tertentu, dan bentuk bisa diperiksa. Nomor kartu divalidasi dengan checksum Luhn, IBAN dengan pemeriksaan mod 97 dari ISO 13616, alamat IPv4 per oktet, dan alamat IPv6 dengan parser yang sama seperti kalkulator subnet. Kunci API dikenali dari awalan yang dipublikasikan penerbitnya - GitHub, AWS, Stripe, Slack, Google, npm, serta kunci berformat sk- yang dipakai layanan AI - ditambah blok kunci privat, header Authorization, dan penugasan seperti DB_PASSWORD=. Lapis ini berjalan setiap kali Anda mengetik dan tidak perlu mengunduh apa pun.

Nama, alamat jalan, dan nomor dokumen tidak punya bentuk sama sekali. Tidak ada yang membedakan Melati si bunga dari Melati si pelanggan selain kalimat di sekitarnya, karena itu lapis kedua berupa model, bukan pola. Model itu adalah Rampart, pengklasifikasi token kecil yang dirilis National Design Studio dengan lisensi CC BY 4.0: enam lapisan transformer, sekitar 15 MB, dilatih untuk menandai nama depan, nama keluarga, alamat jalan, serta nomor pajak, paspor, dan SIM. Model ini berjalan di worker latar belakang di perangkat Anda, dan hanya setelah Anda mengaktifkannya.

Jika kedua lapis berbeda pendapat tentang karakter yang sama, pola yang menang. Nomor yang lolos checksum adalah bukti yang lebih kuat daripada tebakan model. Nilai juga selalu diganti utuh - menyisakan separuh alamat email lebih buruk daripada kedua jawaban itu.

Apa yang akan terlewat

Tidak ada penyensoran otomatis yang sempurna, dan alat ini pun begitu. Evaluasi yang dipublikasikan model ini sendiri mengukur recall sekitar 98% pada data uji beraksara Latin, artinya kira-kira satu dari enam puluh data pribadi lolos bahkan pada teks yang mirip data latihannya. Untuk nama yang ditulis dengan aksara lain, hasilnya jauh lebih lemah: kartu model mencatat sekitar 46% untuk nama Jepang, 15% untuk Korea, dan 9% untuk Tionghoa. Lapis pola bekerja di bahasa apa pun, tetapi nama bukan pola.

Sebagian informasi yang mengidentifikasi seseorang bahkan bukan sebuah nilai. Jabatan, nama kota kecil, dan sebuah tanggal bersama-sama bisa menunjuk satu orang tanpa mengandung apa pun yang bisa disensor oleh alat. Titik buta lainnya adalah pengenal internal: nomor pelanggan, nomor kasus, nama host, dan nama sandi proyek hanya bermakna di dalam organisasi Anda, sehingga tidak ada alat dari luar yang bisa mengenalinya. Ganti yang seperti itu secara manual sebelum atau sesudah memakai alat ini.

Karena itulah hasilnya disorot. Setiap penggantian ditandai, dan temuan model diberi garis putus-putus karena itu penilaian, bukan pencocokan. Bacalah hasilnya sebelum menempelkannya ke mana pun - alat ini ada untuk mempercepat pemeriksaan itu, bukan untuk menghilangkannya.

Memilih cara penggantian

Tag bernomor menjadi bawaan karena teks tetap bisa dipakai. Nilai yang sama selalu mendapat tag yang sama, tanpa membedakan huruf besar dan kecil, sehingga log tetap bercerita dengan runtut: [EMAIL_1] gagal masuk tiga kali, lalu [EMAIL_2] berhasil dari [IP_1] yang sama. Asisten AI yang membaca versi tersensor masih bisa menalar siapa melakukan apa - hal yang mustahil jika semua alamat diganti kata yang sama.

Tag tanpa nomor memutus kaitan itu. Pakailah ketika pola pengulangannya pun sensitif - misalnya berapa banyak pelanggan berbeda yang terlibat dalam sebuah insiden - atau ketika Anda ingin informasi yang tersisa sesedikit mungkin.

Tanda bintang mempertahankan panjang dan tata letak asli, cocok untuk keluaran lebar tetap dan tangkapan layar. Kekurangannya, panjang itu sendiri sedikit membocorkan informasi: nama empat huruf dan nama dua belas huruf tetap bisa dibedakan.

Hati-hati dengan kata anonim. Menurut UU Pelindungan Data Pribadi maupun GDPR, menghapus pengenal yang jelas biasanya menghasilkan data yang dipseudonimkan, yang masih tergolong data pribadi. Alat ini tidak menyimpan tabel apa pun dari tag ke nilai aslinya, tetapi konteks yang tersisa masih bisa mengidentifikasi seseorang.

Ke mana teks Anda pergi

Tidak ke mana-mana. Lapis pola berjalan di halaman. Model, saat Anda mengaktifkannya, diunduh sekali dari situs ini - sekitar 30 MB, terdiri dari mesin WebAssembly ONNX Runtime dan bobot model - lalu disimpan di cache browser. Setelah itu model berjalan di Web Worker, dan baik teks maupun hasilnya tidak pernah meninggalkan perangkat Anda. Anda bisa memastikannya di tab Network pada alat pengembang browser: setelah unduhan selesai, deteksi tidak membuat satu permintaan pun.

Hal ini lebih penting di sini daripada di kebanyakan alat. Alasan orang menyensor teks biasanya karena teks itu akan dikirim ke tempat lain - asisten AI, pelacak isu publik, forum, atau layanan dukungan vendor. Alat sensor yang harus mengunggah teks yang belum disensor agar bisa bekerja justru menggagalkan tujuannya sendiri.