Warum das wichtig ist
Support-E-Mails, Chatprotokolle, Dokumente und gesammelte Webtexte enthalten oft personenbezogene Daten. Nach der DSGVO brauchen personenbezogene Daten in einem Trainingsdatensatz eine Rechtsgrundlage und einen klaren Zweck, und ein Modell kann wiedergeben, was es gesehen hat. Sie vor dem Training zu finden ist viel günstiger, als sich hinterher damit zu befassen.
Wonach Sie suchen sollten
- Kontaktdaten: E-Mail-Adressen, Telefonnummern und Postanschriften.
- Nationale Identifikationsnummern: zum Beispiel die norwegische Personenkennnummer (11 Ziffern; nach dem aktuellen Schema sind die letzten beiden Prüfziffern).
- Finanznummern: Kartennummern (die die Luhn-Prüfung bestehen) und Kontonummern wie IBANs (die eine Mod-97-Prüfung bestehen).
- Namen von Privatpersonen, besonders neben anderen Angaben.
- Geheimnisse: API-Schlüssel, Zugangstokens und Passwörter, die in Tickets oder Code eingefügt wurden.
Wie Sie sie finden
- Muster mit Validierung. Reguläre Ausdrücke finden Kandidaten; Prüfziffern entfernen viele Fehltreffer. Etwa jede zehnte zufällige 16-stellige Zahl besteht die Luhn-Prüfung, kombinieren Sie sie daher mit bekannten Kartenpräfixen und Kontext.
- Named-Entity-Recognition findet Namen und Orte, die kein Muster beschreiben kann. Sie ist nützlich, übersieht aber manche Namen und markiert manche gewöhnlichen Wörter, behandeln Sie sie also als Hinweis, nicht als Urteil.
- Secret-Scanning sucht nach den bekannten Formaten von Schlüsseln und Tokens und nach langen Zufallszeichenketten an Stellen, an denen Geheimnisse üblicherweise auftauchen.
- Kontext. „Rufen Sie mich an unter“ vor einer Nummer oder ein Signaturblock am Ende einer E-Mail erhöht die Sicherheit eines Treffers.
Was Sie mit den Funden tun
Entscheiden Sie für jeden Typ, ob das Modell ihn braucht. Übliche Optionen sind, das Dokument wegzulassen, den Wert zu maskieren (zum Beispiel eine E-Mail-Adresse durch einen Platzhalter zu ersetzen) oder ihn zu behalten, wo Sie eine Rechtsgrundlage und einen Grund haben. Beachten Sie, dass pseudonymisierte Daten, bei denen eine Person mit zusätzlichen Informationen weiterhin identifiziert werden kann, nach der DSGVO personenbezogene Daten bleiben. Offengelegte Schlüssel sollten widerrufen und nicht nur aus dem Datensatz entfernt werden.
Mit Lücken und Fehlalarmen rechnen
Kein Scanner findet alles. Prüfen Sie eine Stichprobe markierter und nicht markierter Dokumente, messen Sie, wie oft die Prüfungen bei Ihren eigenen Daten falsch liegen, und halten Sie fest, was Sie gescannt, gefunden und entschieden haben.