Обезличивание персональных данных в Chrome: расширение прячет от ИИ 50 видов сведений

Обезличивание персональных данных это замена имён, номеров документов и других сведений о человеке на метки. После такой замены по тексту нельзя понять, о ком речь, без отдельного ключа. Автор расширения рассказал о новой версии в продолжении своего цикла статей. Сначала он делал инструмент только для договоров, где данные стоят на предсказуемых местах, но в чат с нейросетью несут любые файлы.

Результат для вас такой: таблицу клиентов или презентацию с контактами можно отдать нейросети на анализ, не показывая ей реальные паспорта и телефоны. Ниже порядок работы и подводные камни, о которых предупреждает сам разработчик.

Что понадобится?

• Браузер Chrome и само расширение. Название и способ установки автор приводит в первой части цикла, в этом материале их нет.
• Файл в поддерживаемом формате: таблицы Excel (.xlsx, .xlsm), презентации PowerPoint (.pptx, .pptm), текстовые файлы (.txt, .md, .csv, .json, .log), договоры.
• Отдельное место для хранения ключа замен, не рядом с обезличенным документом.
• Несколько минут на проверку скрытого содержимого перед отправкой.

Пошаговая инструкция: от файла до безопасной отправки

1. Подготовьте документ. Расширение распознаёт 50 категорий данных вместо прежних 21: паспорт, загранпаспорт, водительское удостоверение, военный билет, ВНЖ (вид на жительство) и патент, миграционную карту, свидетельства ЗАГС, полис ОМС (обязательного медицинского страхования), СТС и ПТС (свидетельство о регистрации и паспорт автомобиля), VIN (уникальный номер машины), госномер, кадастровые номера, номера дел, сетевые адреса IP и MAC (номера компьютера и сетевой карты), ники.
2. Загрузите файл в чат как обычно, расширение проверит его до отправки.
3. Откройте панель скрытого содержимого. Там видны комментарии, история правок, скрытый текст, скрытые листы и слайды, а также кэш формул и диаграмм (сохранённые внутри файла прошлые значения). Всё это можно удалить перед отправкой.
4. Прочитайте предупреждения о формулах. Если внутри формулы записаны персональные данные, замена может её сломать, и расширение должно об этом сообщить.
5. Сохраните ключ, то есть карту замен, с шифрованием на диск. Храните его отдельно от обезличенного документа.
6. Не пытайтесь отправить файл ключа. Файл с окончанием .mapping.json расширение узнаёт по содержимому, даже переименованный или зашифрованный, и кнопки «Загрузить как есть» для него нет.

Маленькая модель всё ещё путает границы названий организаций

Внутри работает компактная модель rubert-tiny2, обученная на распознавание именованных сущностей (NER, когда программа находит в тексте имена людей, организаций и места). Её дообучили (дообучение: обучение готовой модели на новых примерах под узкую задачу) на русских наборах NEREL и Nerus. Итоговая выборка составила 126 190 предложений: 73 190 реальных и 53 000 синтетических.

• NEREL дал главный прирост: показатель качества по организациям на его проверочной части вырос с 0,49 до значений от 0,63 до 0,68.
• Nerus, около 700 000 статей с автоматической разметкой, по словам автора, качество не поднял, вероятно из-за шума в разметке.
• Доля синтетики выросла с 35 до 42%, и ложных срабатываний на организациях в отрицательных примерах стало 0 вместо прежних от 9 до 12.

Показательная деталь: автор заменил «учителя» (большую модель, у которой учится маленькая) на XLM-R large. Учитель на тесте оказался сильнее, 0,821 против 0,794 по организациям, но ученик не вырос ни на сотую. Разработчик объясняет это тем, что маленькой модели уже нечем усваивать новые знания.

Что делать с этим прямо сейчас, по ролям

Автору Дзена. Если вы разбираете с нейросетью письма читателей или анкеты, прогоняйте их через маскировку и отдельно чистите комментарии в файлах.

Маркетологу. Выгрузки из CRM в Excel теперь можно отдавать нейросети на сегментацию без реальных контактов. Проверьте после замены, что формулы в сводных листах считают как раньше.

Предпринимателю. Если сотрудники уже носят договоры и таблицы в чат-боты, заведите правило: ключ замен хранится зашифрованным и в отдельной папке. Это закрывает требование Роскомнадзора о раздельном хранении.