A Scalable Architecture for Automated Data Classification and Sensitive Information Discovery Using Artificial Intelligence
Notice bibliographique
Résumé
The continuous expansion of enterprise data across cloud computing platforms, distributed storage systems, and digital communication networks has significantly increased the complexity of managing and securing sensitive information. Traditional rule-based and manual data classification techniques are often inadequate for handling large-scale heterogeneous datasets due to limited scalability, low contextual awareness, and high operational overhead. With the increasing complexity of enterprise data governance, privacy protection, and compliance with cybersecurity regulations, this paper presents an AI-powered, scalable solution for automated data classification and sensitive information discovery. The proposed solution combines machine learning, deep learning, Natural Language Processing (NLP) and transformer-based models to automatically classify enterprise structured, semi-structured and unstructured data. The architecture features several functional components, such as data ingestion, data preprocessing, classification by AI, discovery of sensitive data, compliance management, and secure data storage. By using advanced NLP and Named Entity Recognition (NER) techniques, entities that need to be kept confidential are accurately identified, including personally identifiable information (PII), healthcare records, financial data, and organizational secrets. Cloud-native distributed processing and scalable monitoring frameworks further amplify processing efficiency, flexibility and real-time data governance features. The evaluation results from experiments show that the proposed architecture using AI outperforms the traditional rule-based architecture for classification accuracy, sensitive data detection performance, scalability, and operational efficiency. The framework also features automated governance and auditing to help ensure that all regulations are met, including GDPR, HIPAA, and CCPA. In conclusion, the proposed architecture offers a secure and intelligent way to manage enterprise data in today's digital landscape.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».