Reconocedores y listas de contexto

Presidio separa dos piezas: un analizador, que encuentra posibles datos personales y devuelve para cada uno el tipo, la posición en el texto y una puntuación entre 0 y 1, y un anonimizador, que decide qué se hace con cada hallazgo. El analizador trabaja con reconocedores de varias clases. Los de patrón usan expresiones regulares y pueden añadir una validación, como comprobar un dígito de verificación. Los de lista buscan términos concretos que alguien les da. Los de modelo usan un modelo de entidades nombradas, entrenado para reconocer nombres de personas, lugares u organizaciones en una frase.

La puntuación base dice cuánto se fía el reconocedor de su hallazgo sin más información. Un patrón muy genérico debe empezar bajo: un número de seis a diez dígitos puede ser un documento, pero también una fecha escrita sin separadores, un importe o un código interno. Si ese patrón empezara alto, el filtro taparía medio chat.

El contexto es lo que convierte un número ambiguo en un hallazgo creíble. El reconocedor lleva una lista de palabras; si una aparece cerca del valor, la puntuación sube. Presidio lo llama mejora por contexto y permite poner las palabras en el reconocedor o pasarlas en cada petición, por ejemplo el nombre de una columna. Lo frágil es la lista: si la gente escribe con una palabra que no está, el número se queda con su puntuación base y no llega al umbral.

Lee la traza junto con los mensajes guardados. Hay un documento que salió en claro. Busca qué palabra lo precedía.

La misma palabra que ayuda en un mensaje estorba en otro. «Documento» acompaña a una cédula cuando alguien la dicta, pero también a cualquier archivo que el asociado adjunta. Cuando una palabra de contexto es muy común, sube la puntuación de números que no tienen nada de personal y el filtro empieza a tapar referencias que el asesor necesita para atender.

Busca en la traza la detección que enmascaró como cédula un número interno de la cooperativa.

Un ajuste de reconocedor se juzga por lo que arregla y por lo que rompe. Quitar una palabra de contexto, subir el umbral o desactivar un reconocedor resuelven el caso que se mira, pero cambian el resultado de todas las demás detecciones que dependían de esa pieza. Por eso se busca la corrección más estrecha: la que actúa sobre el formato que falla y deja igual el resto.