Maskování PII pro prompt AI znamená nahradit údaje, které identifikují osobu (jména, kontaktní údaje, čísla účtů a dokladů totožnosti, data narození), neutrálními označeními ještě před vložením textu do ChatGPT, Claude nebo Gemini. Ponechte role, částky a data událostí, které AI potřebuje, zamaskujte vše, co ukazuje na totožnost osoby, a před odesláním si maskovaný text ještě jednou přečtěte.
Co je PII a jak se liší od osobních údajů
PII je zkratka pro osobně identifikovatelné informace. Jde o termín z amerických federálních pokynů. Oběžník OMB A-130 definuje PII jako informace, které lze použít k rozlišení totožnosti jednotlivce nebo k jejímu zjištění, ať už samostatně, nebo v kombinaci s dalšími informacemi, které jsou s danou osobou spojeny či spojitelné. NIST SP 800-122, příručka NIST o ochraně důvěrnosti PII, uvádí tyto příklady: jméno, číslo sociálního zabezpečení, datum a místo narození, biometrické záznamy a informace spojené s osobou, například údaje o zdravotním stavu, financích nebo zaměstnání.
EU a Spojené království používají jiný termín. Podle článku 4 odst. 1 GDPR, a stejného článku britského GDPRjsou osobními údaji „veškeré informace o identifikované nebo identifikovatelné fyzické osobě“, včetně identifikace pomocí údajů o poloze, online identifikátoru nebo faktorů specifických pro fyzickou, ekonomickou, kulturní či sociální identitu osoby.
U promptu se rozdíl týká hlavně zvyklostí. Lidé, kteří uvažují v pojmu „PII“, obvykle hledají konkrétní pole: jméno, číslo sociálního zabezpečení, e-mail. Definice GDPR vás vede také k otázce, zda věta ve spojení se zbytkem textu neukazuje na konkrétní osobu. Pokud jsou vaši klienti v EU nebo Spojeném království, řiďte se touto širší definicí. Zda je konkrétní použití AI ve vaší firmě zákonné, je otázka pro vašeho právníka nebo pověřence pro ochranu osobních údajů, nikoli pro nástroj na maskování.
Proč se zdánlivě neškodné údaje sčítají
Identifikátory se dělí do dvou skupin. Přímé identifikátory samy o sobě ukazují na jednu osobu: celé jméno, číslo pasu, e-mailová adresa. Kvaziidentifikátory samy o sobě nestačí, ale zužují okruh osob: PSČ, datum narození, pracovní pozice, vzácná diagnóza.
Nejznámější měření toho, jak rychle se okruh osob zužuje, pochází od Latanyi Sweeneyové. Na základě údajů ze sčítání lidu v USA z roku 1990 odhadla v práci „Jednoduché demografické údaje často umožňují jedinečně identifikovat osoby“ že 87 % obyvatel USA lze pravděpodobně jedinečně identifikovat pouze podle tří údajů: pětimístného PSČ, pohlaví a data narození. V pozdější nové analýze Philippa Golleho byl tento podíl pro sčítání lidu z roku 2000 odhadnut přibližně na 63 %. Ať tak či onak, k rozlišení většiny lidí stačily tři běžné údaje.
V promptu se kvaziidentifikátory obvykle skrývají v souvislém textu: „jediná žena v partnerské kanceláři v Leedsu“, „klient, který loni na jaře prodal pekárnu na Main Street“. Náš přehled údajů, které je třeba odstranit před odesláním dokumentu do AI rozebírá tyto kombinace jednotlivých typů.
Maskování, redakce, pseudonymizace: co AI stále dokáže
Tyto tři pojmy se často používají volně. U promptu záleží na tom, s čím každý z těchto postupů AI ponechá. Vezměme větu: „Anna Weberová poslala 3. května e-mail Tomu Haleovi; Anna zpochybňuje Tomovu fakturu.“
| Metoda | Věta vypadá takto | Co AI stále dokáže | Lze jména obnovit? |
|---|---|---|---|
| Redakce (odstranění nebo začernění) | „[█████] poslala [█████] 3. května e-mail; [█████] zpochybňuje fakturu [█████].“ | Jen málo: nedokáže určit, kdo psal, kdo něco zpochybňuje a komu někdo dluží. | Ne |
| Maskování pomocí označení typu | „[JMÉNO] poslala [JMÉNO] 3. května e-mail; [JMÉNO] zpochybňuje fakturu [JMÉNO].“ | Ví, že jde o osoby, ale nepozná, která je která. | Ne |
| Pseudonymizace (konzistentní zástupné symboly) | „Person_1 poslala Person_2 3. května e-mail; Person_1 zpochybňuje fakturu Person_2.“ | Dokáže sledovat, kdo co udělal, a odpovědět se stejnými označeními. | Ano, pomocí tabulky, která propojuje zástupné symboly se jmény a kterou uchováváte u sebe. |
U většiny úloh AI poskytují nejlepší odpovědi konzistentní zástupné symboly, protože AI stále dokáže sledovat děj. GDPR tomu říká pseudonymizace (článek 4 odst. 5) a výsledek nadále považuje za osobní údaje. Náš článek o anonymizaci, pseudonymizaci a redakci vysvětluje tyto tři pojmy podrobně.
Co v promptu maskovat a co ponechat
Maskujte údaje, které identifikují osobu. Ponechte to, čeho se otázka týká.
| Maskovat | Ponechat |
|---|---|
| Jména osob a společností, přezdívky, iniciály | Role: kupující, nájemce, zaměstnanec, náš klient, protistrana |
| E-mailové adresy, telefonní čísla, adresy ulic | Zemi nebo jurisdikci, pokud na ní odpověď závisí |
| Čísla účtů, IBANy, čísla karet, daňová čísla a čísla dokladů totožnosti, čísla případů a pojistných smluv | Částky, pokud by samotná částka neidentifikovala klienta |
| Data narození | Data událostí: podpisu, oznámení, platby, lhůty |
| Podrobnosti ve volném textu, které vyčleňují konkrétní osobu: vzácná pracovní pozice, malé město, jmenovaný příbuzný | Obecně formulované skutečnosti, na kterých závisí otázka |
Věk je běžnou výjimkou z pravidla „maskovat data narození“: pokud odpověď závisí na tom, zda je někdo starší 18 let nebo blízko důchodovému věku, uveďte věk nebo „starší 65 let“ místo data.
Krátký prompt před úpravou a po ní:
Before:
Maria Lopez (born 12 March 1981, maria.lopez@example.com) rents
a flat from Greenfield Lettings Ltd. Her deposit of $2,400 was not
returned after she moved out on 30 June. What can she do?
After:
Person_1 (born Date_1, Email_1) rents a flat from Company_1.
Person_1's deposit of $2,400 was not returned after Person_1 moved
out on 30 June. What can Person_1 do? Keep the placeholders as written.Částka a datum vystěhování zůstávají, protože na nich odpověď závisí. Pokud datum narození k otázce nic nepřidává, raději je smažte, než abyste ho maskovali.
Tři způsoby maskování
Ručně
U jednoho krátkého promptu si text přečtěte a každý identifikátor nahraďte sami. Zároveň si zapisujte seznam zástupných symbolů (Person_1 = Maria Lopez), aby stejná osoba vždy dostala stejné označení. Ruční maskování je pomalé a u dlouhých textů selhává: jméno, které se objeví dvanáctkrát, nahradíte jedenáctkrát.
Pomocí funkce Najít a nahradit pro vzory
Některé identifikátory mají pevně daný formát a vyhledávání pomocí regulárních výrazů je najde všechny najednou. Podporují to textové editory jako Notepad++ a VS Code; Word má vyhledávání pomocí zástupných znaků s vlastní syntaxí. Začněte těmito dvěma vzory:
Email: [A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}
IBAN: \b[A-Z]{2}[0-9]{2}(?: ?[A-Z0-9]){11,30}\bVzor IBAN odpovídá struktuře uvedené v registru IBANů SWIFT: dvoupísmenný kód země, dvě kontrolní číslice a potom až třicet písmen a číslic. Vzory zachytí formáty, nikoli význam. Přehlédnou telefonní číslo napsané jako „nula-sedm-sedm“ a nikdy nenajdou jméno.
Pomocí nástroje pro rozpoznávání
Nástroje pro rozpoznávání hledají kromě vzorů také jména, společnosti a místa. U dlouhého dokumentu jsou mnohem rychlejší než ruční práce, ale žádný z nich nenajde všechno. Dokumentace sady open source nástrojů pro rozpoznávání Presidio to říká jasně: protože používá automatické rozpoznávání, „nelze zaručit, že Presidio najde všechny citlivé informace“.
Rozpoznávání proto vyžaduje kontrolu. Projděte, co nástroj našel, a zrušte výběr falešných shod, například názvu ulice, který je zároveň příjmením. Pak text přečtěte a hledejte to, co nástroj přehlédl: přezdívky, jména napsaná malými písmeny, osoby popsané, ale nejmenované. Na co se zaměřit při výběru nástroje pro pseudonymizaci porovnává dostupné typy nástrojů.
V ClientSafe přidáte dokumenty do případu a aplikace na vašem počítači vyhledá jména, společnosti, adresy, telefonní čísla, e-mailové adresy, čísla účtů a dokladů totožnosti a data narození. Zrušíte výběr údajů, které nejsou osobními údaji, a označíte, co nástroj přehlédl. Pak bezpečnou kopii zkopírujete do chatu s AI. Stejná osoba dostane ve všech dokumentech daného případu stejný zástupný symbol.
Odpověď se vrátí se zástupnými symboly
Maskování funguje oběma směry. AI odpovídá pomocí stejných označení, která jste použili, takže její odpověď zní „Person_1 může požádat Company_1 o...“, nikoli „Maria Lopezová může požádat...“. Pokud ji požádáte, aby zástupné symboly ponechala beze změny, jako v příkladu výše, je to pravděpodobnější.
Skutečná jména vraťte ve svém počítači, nikoli v chatu: pomocí funkce Najít a nahradit a svého seznamu zástupných symbolů nebo pomocí stejného nástroje, kterým jste maskovali. Poté obnovenou odpověď jednou přečtěte: pokud AI změnila zástupný symbol („Osoba 1“ místo „Person_1“), nemuselo se jméno správně obnovit. Náš návod, jak obnovit skutečná jména v odpovědi AI popisuje celý postup krok za krokem.
Časté dotazy
Je maskovaný text anonymní?
Obvykle ne. Pokud uchováváte tabulku propojující zástupné symboly se jmény, je text pseudonymizovaný a podle GDPR stále představuje osobní údaje. Maskování omezuje, jaké údaje služba AI obdrží. Nevyjímá však text z působnosti právních předpisů na ochranu údajů.
Mám maskovat názvy společností?
Maskujte společnost klienta a jakoukoli společnost, která by klienta identifikovala, například malý rodinný podnik. Velkou veřejně známou společnost uvedenou jako dodavatele nebo protistranu lze často ponechat, pokud ji otázka potřebuje.
Zhorší maskování odpověď AI?
Při použití konzistentních zástupných symbolů jen zřídka: AI stále vidí, kdo co udělal. Odpověď se zhorší, pokud závisí na údaji, který jste zamaskovali, například na zemi nebo věku osoby. Doplňte tento údaj v obecné podobě.
Mohu AI jen říct, aby osobní údaje ignorovala?
Ne. Než AI přečte pokyn, údaje už byly odeslány. Maskování musí proběhnout před vložením textu.
ClientSafe nahrazuje na vašem počítači jména, adresy, telefonní čísla, e-mailové adresy, čísla účtů a dokladů totožnosti a data narození zástupnými symboly a skutečná jména pak vrátí do odpovědi AI. Rozpoznávání není dokonalé, proto seznam před zkopírováním zkontrolujte.