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.
89
catégories de données identifiantes détectées
92,5 %
F1 global mesuré en audit humain indépendant
97,7 %
des entités à risque réel de réidentification protégées
La protection ne repose pas sur une seule technique. Elle combine un modèle probabiliste, qui comprend le contexte, et un mécanisme déterministe, qui reconnaît les formats. C'est leur complémentarité qui fait la couverture.
Détection contextuelle (modèle probabiliste spécialisé). Un modèle de langage spécialisé pour les écrits du social et du médico-social repère, à partir du contexte de la phrase, les noms de personnes, d'organisations et de lieux. Il ne s'appuie pas sur une liste figée : il estime, pour chaque passage, la probabilité qu'il désigne une personne ou une entité.
Détection structurée (mécanisme déterministe). En parallèle, des règles précises et des dictionnaires métier capturent ce qui a une forme reconnaissable : numéro de sécurité sociale, téléphone, e-mail, dates, identifiants de dossier, adresses, mais aussi villes, établissements, associations et pathologies. Ce mécanisme est déterministe : à texte identique, résultat identique.
Arbitrage et remplacement. Les deux sources sont fusionnées et arbitrées selon la sensibilité de chaque information. Chaque donnée identifiante est alors remplacée par une étiquette neutre avant que la question ne quitte l'hébergement français.
Détail technique
Le modèle de reconnaissance d'entités est spécialisé sur les écrits professionnels du secteur (familles de type CamemBERT). Il est épaulé par plusieurs centaines de règles précompilées et par des dictionnaires de l'ordre de 35 000 termes (villes, associations, établissements, prénoms, pathologies).
Le pipeline n'utilise aucun modèle de génération de texte et ne conserve ni le texte d'origine, ni la correspondance entre une donnée et son étiquette.
La qualité de la détection a été mesurée par un audit humain indépendant : dix rapports réels, en double aveugle, relus par trois experts, avec arbitrage des désaccords. Le score retenu est le F1, qui combine la capacité à ne rien manquer et à ne pas sur-masquer.
| 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 % |
Les trois niveaux opérationnels dépassent tous 95 %. En pondérant par la sensibilité et en écartant les catégories les moins à risque, la protection couvre 97,7 % des entités présentant un risque réel de réidentification.
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.
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 pour produire la réponse et retrouver les sources.