Identification des informations sensibles dans des sources de données hétérogènes
Notice bibliographique
Résumé
Afin de respecter les normes en vigueur, les entreprises et les organisations sont tenues de gérer et protéger les données produites par leurs employés. Cette obligation légale représente un réel défi en raison de la diversité et du volume conséquent de ces données. L'objectif du système proposé est de prévenir la diffusion inappropriée de données sensibles pour identifier automatiquement les violations de sécurité, en détectant ces données sensibles aux seins des documents. On s'assure ainsi que les documents qui circulent dans l'entreprise respectent les lois et règlements en vigueur tels la Loi sur la protection des renseignements personnels et les documents électroniques (LPRPDE, Canada), le Health Insurance Portability and Accountability Act (HIPAA, USA) ou encore le Règlement général sur la protection des données (RGPD, Europe). L'approche consiste tout d'abord à identifier la ou les thématiques des documents et à utiliser ces informations pour choisir les modèles de détection de données sensibles les mieux adaptés au contexte. Ces modèles sont issus de l'entraînement d'algorithmes d'apprentissage automatique sur des documents répertoriés comme appartenant à une ou des thématiques précises. Un travail d'annotation manuelle des données sensibles dans des documents dits «d'affaires» a été effectué afin de produire un corpus de référence. L'évaluation qui a pu être menée grâce à ce corpus a permis de déterminer si la détection du domaine en tant qu'étape préliminaire est bénéfique et si les modèles entraînés sont efficaces. Nous avons montré une amélioration dans la détection de certains types d'informations sensibles lorsque le modèle adéquat est appliqué sur les documents. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Protection de la vie privée, Législation, Apprentissage automatique, Reconnaissance des entités nommées, Détection de domaine, Données massives
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».