Anonimizador de Dados

Duas camadas: padrões e um modelo

A maioria dos valores sensíveis tem um formato, e formato dá para verificar. Números de cartão são validados pelo dígito de Luhn, IBANs pela verificação mod 97 da ISO 13616, endereços IPv4 octeto por octeto e endereços IPv6 com o mesmo analisador da calculadora de sub-rede. Chaves de API são reconhecidas pelos prefixos que os emissores publicam - GitHub, AWS, Stripe, Slack, Google, npm e as chaves sk- usadas por serviços de IA -, além de blocos de chave privada, cabeçalhos Authorization e atribuições como DB_PASSWORD=. Essa camada roda a cada tecla e não exige download.

Nomes, endereços de rua e números de documentos não têm formato nenhum. Nada diferencia Rosa, a flor, de Rosa, a cliente, a não ser a frase em volta - por isso a segunda camada é um modelo, não um padrão. É o Rampart, um pequeno classificador de tokens publicado pela National Design Studio sob CC BY 4.0: seis camadas de transformer, cerca de 15 MB, treinado para marcar nomes, sobrenomes, logradouros e números fiscais, de passaporte e de habilitação. Ele roda num worker em segundo plano no seu aparelho, e só depois que você o ativa.

Quando as duas camadas discordam sobre os mesmos caracteres, vale o padrão. Um número que passa num dígito verificador é prova mais forte do que o palpite de um modelo. E um valor é sempre substituído inteiro - deixar metade de um e-mail para trás é pior do que qualquer das duas respostas.

O que ele vai deixar passar

Nenhuma ocultação automática é completa, e esta não é exceção. A avaliação publicada do próprio modelo mede cerca de 98% de revocação no conjunto de teste em alfabeto latino - ou seja, mais ou menos um dado privado em cada sessenta escapa, mesmo em textos parecidos com os do treino. Com nomes escritos em outros alfabetos ele é bem mais fraco: o model card informa cerca de 46% para nomes japoneses, 15% para coreanos e 9% para chineses. A camada de padrões funciona em qualquer idioma, mas nome não é padrão.

Algumas informações que identificam alguém nem são um valor. Um cargo, uma cidade pequena e uma data juntos podem apontar para uma pessoa sem conter nada que uma ferramenta consiga ocultar. O outro ponto cego são identificadores internos: número de cliente, número de protocolo, nomes de servidores e codinomes de projeto só fazem sentido dentro da sua organização, então nada de fora consegue reconhecê-los. Substitua esses à mão, antes ou depois de usar a ferramenta.

Por isso o destaque. Toda substituição aparece marcada no resultado, e o que o modelo encontrou tem contorno tracejado, porque é um julgamento, não uma correspondência. Leia o resultado antes de colar em qualquer lugar - a ferramenta existe para tornar essa leitura rápida, não para torná-la desnecessária.

Escolhendo o tipo de substituição

Etiquetas numeradas são o padrão porque mantêm o texto útil. O mesmo valor recebe sempre a mesma etiqueta, sem diferenciar maiúsculas de minúsculas, então o log continua contando uma história coerente: [EMAIL_1] errou a senha três vezes e depois [EMAIL_2] entrou a partir do mesmo [IP_1]. Um assistente de IA que lê a versão ocultada ainda consegue raciocinar sobre quem fez o quê - coisa impossível se todo endereço virar a mesma palavra.

Etiquetas simples cortam essa ligação. Use quando até o padrão de repetição for sensível - quantos clientes diferentes aparecem num incidente, por exemplo - ou quando quiser que sobre o mínimo de informação.

Asteriscos preservam o comprimento e o layout originais, o que é bom para saídas de largura fixa e capturas de tela. O custo é que o comprimento em si vaza um pouco: um nome de quatro letras e um de doze continuam distinguíveis.

Cuidado com a palavra anônimo. Pela LGPD, assim como pelo GDPR europeu, tirar os identificadores óbvios costuma produzir dados pseudonimizados, que continuam sendo dados pessoais. Esta ferramenta não guarda nenhuma tabela das etiquetas de volta aos valores, mas o contexto que sobra ainda pode identificar alguém.

Para onde vai o seu texto

Para lugar nenhum. A camada de padrões roda na página. O modelo, quando você o ativa, é baixado uma vez deste site - cerca de 30 MB, entre o motor WebAssembly do ONNX Runtime e os pesos do modelo - e fica em cache no navegador. Depois ele roda num Web Worker, e nem o texto nem os resultados saem do seu aparelho. Dá para conferir na aba Rede das ferramentas de desenvolvedor: depois do download, a detecção não faz nenhuma requisição.

Isso importa mais aqui do que na maioria das ferramentas. O motivo de ocultar dados de um texto costuma ser que ele vai para outro lugar - um assistente de IA, um rastreador de issues público, um fórum, o suporte de um fornecedor. Uma ferramenta que enviasse o texto original para conseguir ocultá-lo derrotaria o próprio propósito.