Protection des données identifiantes
Avant d'envoyer votre question à un modèle de langage ou à la recherche documentaire, REPERES cherche à détecter et masquer les informations qui permettraient d'identifier une personne.
97,7 %
F1 pondéré en audit humain indépendant, double annotation à l'aveugle
89
catégories de données identifiantes détectées et qualifiées
< 3 s
pour un rapport complet, sur un portable ancien sans carte graphique
L'originalité du dispositif tient à la densité de sa détection : 89 catégories de données identifiantes, des personnes aux pathologies en passant par une cinquantaine de types d'établissements et une soixantaine d'organismes du secteur. Là où un outil généraliste masque tout ou rien, chaque entité reçoit ici un qualificatif précis : le texte protégé peut encore être compris, analysé et partagé.
La protection ne repose pas sur une seule technique. Elle combine un modèle neuronal, qui comprend le contexte, des règles, qui reconnaissent les formats, et des dictionnaires métier, qui connaissent le secteur. C'est leur arbitrage qui fait la couverture.
Détection contextuelle (modèle neuronal spécialisé). Un modèle de reconnaissance d'entités, entraîné pour les écrits du social et du médico-social, lit chaque phrase dans son contexte et repère les personnes, les lieux et les organisations. Il ne s'appuie pas sur une liste figée : « Rose » est un prénom ou une couleur selon la phrase.
Détection structurée (règles et dictionnaires). En parallèle, des règles précises capturent ce qui a une forme reconnaissable (numéro de sécurité sociale, téléphone, e-mail, dates, numéros d'allocataire, identifiants de dossier, adresses), et des dictionnaires métier reconnaissent villes, établissements, organismes, associations et pathologies. Ce mécanisme est déterministe : à texte identique, résultat identique.
Arbitrage. Un module de résolution fusionne les trois sources en treize passes : il corrige les frontières, rattache un type d'établissement à son nom (« IME » + « Les Peupliers »), reconstitue les adresses complètes et arbitre les chevauchements selon la sensibilité de chaque information.
Remplacement par des qualificatifs neutres. Chaque donnée identifiante est remplacée par un qualificatif qui dit ce qu'elle est sans dire qui elle est : <PER_1> pour une personne, <ETAB_IME_1> pour un institut médico-éducatif, <ORG_CAF_1> pour une caisse d'allocations familiales, <DATE_2> pour une date. Le même qualificatif est repris partout dans le document et d'un message à l'autre. Le texte reste lisible et exploitable : le sens est conservé, l'identité ne l'est pas.
Détail technique
Le modèle de reconnaissance d'entités est un CamemBERT distillé à 7 couches (largeur 768, 12 têtes d'attention, couche intermédiaire de 2 304), obtenu par distillation d'un modèle enseignant plus grand spécialisé sur les écrits professionnels du secteur, puis exporté au format ONNX avec opérateurs fusionnés. Il travaille par fenêtres glissantes sur les documents longs.
Il est épaulé par plusieurs centaines de règles précompilées (60 organismes, une cinquantaine de types d'établissements, adresses, identifiants), des dictionnaires de l'ordre de 35 000 termes, et un module de résolution paramétré par 63 priorités, 50 règles de reclassement, plus de 1 000 exclusions et 2 164 villes de requalification.
Le pipeline n'utilise aucun modèle de génération de texte. Il est déterministe : à texte identique, résultat identique, à l'octet près.
Le moteur LaPlume a été réécrit en Rust, avec ONNX Runtime pour le modèle neuronal. C'est le même moteur qui protège les questions sur le service en ligne et qui tourne dans les applications REPERES pour macOS et Windows, directement sur l'ordinateur, sans connexion. Il a été optimisé pour les ordinateurs du terrain, sans carte graphique : modèle distillé à 7 couches, opérateurs d'attention fusionnés (−27 % de calcul sur processeur), et tout le reste du traitement réécrit en Rust.
| Mesure | Temps |
|---|---|
| Question courante, sur un portable ancien sans carte graphique | environ 0,1 s : quasi instantané |
| Rapport complet de plusieurs pages, même ordinateur | moins de 3 s |
| dont règles, dictionnaires, arbitrage et remplacement | 4 ms, environ 27 fois plus vite qu'auparavant |
| Rapport complet, ordinateur récent (Mac à puce Apple) | 0,3 s |
| Service en ligne, document de 20 000 caractères | 4,1 s (14,4 s avec le moteur précédent) |
La vitesse n'a rien coûté à la qualité : la version Rust produit exactement le même résultat que la référence scientifique.
Détail technique
L'identité des résultats est vérifiée sur 446 documents (rapports professionnels, textes bruités par la reconnaissance de caractères, tableaux, en-têtes denses) et 446 textes piégés. Elle est contrôlée étape par étape (normalisation, dictionnaires, règles, résolution, adresses, propagation, remplacement), complétée par 1 500 cas adversariaux du module de résolution. Chaque correction est vérifiée par mutation : on la retire côté Rust, et la parité doit échouer ; sinon, des cas ciblés sont ajoutés au corpus.
Mesures d'octobre 2026. Portable ancien : processeur AMD Ryzen 5 PRO 3500U (2019, 4 cœurs, sans carte graphique dédiée), Windows 10, rapports professionnels d'environ 2 300 tokens. Ordinateur récent : Mac à puce Apple, moyenne sur 446 documents. Service en ligne : conteneur hébergé en France. Le temps dépend surtout de la longueur du document et de la puissance de l'ordinateur.
La qualité de la détection a été mesurée par un audit humain indépendant : dix rapports réels, annotés en double aveugle par trois experts, avec arbitrage des 313 désaccords. Le score retenu est le F1, qui combine la capacité à ne rien manquer et à ne pas sur-masquer, pondéré selon la sensibilité de chaque information.
| Niveau de sensibilité | Exemples | F1 mesuré |
|---|---|---|
| Critique | NIR, téléphone, e-mail, date de naissance | 98,4 % |
| Élevé | nom de personne, adresse complète, pathologie | 97,3 % |
| Moyen | établissements, organismes, dates, services | 95,6 % |
Pondéré par la sensibilité, et hors catégorie de faible sensibilité (types génériques, moments de la journée, qui mesurent davantage le style d'annotation que le risque), le F1 atteint 97,7 %.
Cet audit, qui a fait l'objet d'une publication, porte sur une version antérieure du moteur. C'est la mesure la plus rigoureuse dont nous disposons ; le moteur actuel, réentraîné et distillé depuis, fait mieux sur nos évaluations internes. Les entités encore manquées sont surtout des pathologies et des compléments d'adresse : c'est pourquoi le texte protégé vous est toujours présenté avant tout envoi, pour relecture.
Masquer les identifiants directs — un nom, une adresse, un numéro — ne suffit pas toujours à empêcher une réidentification. Un récit suffisamment précis peut permettre de rattacher une situation à une personne : l'enchaînement des faits, des dates relatives, d'un lieu et d'un parcours peut, à lui seul, désigner quelqu'un. C'est ce qu'on appelle la réidentification par ré-attribution narrative.
Ce risque a été étudié spécifiquement, sur plusieurs centaines de documents synthétiques et réels. La protection réduit fortement l'exposition des données identifiantes, mais elle ne neutralise pas ce risque contextuel. Il vous appartient de ne partager que ce qui est nécessaire à votre question, en particulier pour les situations rares ou très circonstanciées.
Sur le service en ligne, le traitement de protection s'exécute sur un hébergement situé en France. Il ne conserve strictement aucune donnée : ni le contenu de votre question, ni les pièces jointes, ni la correspondance entre une information et son étiquette. Les journaux techniques ne contiennent pas le texte traité. Cette étape a lieu avant tout envoi au modèle de langage et à la recherche documentaire : c'est la version masquée de votre question, et non l'originale, qui est transmise.
Dans les applications REPERES, la protection s'exécute sur votre ordinateur. Pour protéger un document, rien ne sort du poste, même sans connexion. Pour interroger REPERES, l'application ne transmet que le texte déjà pseudonymisé ; la correspondance entre les étiquettes et les vraies valeurs reste sur l'ordinateur, chiffrée, et sert à réafficher la réponse avec les vrais noms.