Manipuler ces masses d\u2019informations n\u2019est pas sans cons\u00e9quence. On y trouve des informations sensibles dont la divulgation peut porter pr\u00e9judice \u00e0 des personnes morales et\/ou physiques. C\u2019est pourquoi le Parlement europ\u00e9en a adopt\u00e9 en mai 2016, le R\u00e8glement G\u00e9n\u00e9ral sur la Protection des Donn\u00e9es (RGPD) visant \u00e0 encadrer le traitement des donn\u00e9es de mani\u00e8re \u00e9galitaire sur tout le territoire de l\u2019Union Europ\u00e9enne. Ses objectifs\u00a0: renforcer les droits des personnes, responsabiliser les acteurs traitant des donn\u00e9es et favoriser la coop\u00e9ration entre les autorit\u00e9s de protection des donn\u00e9es. La pseudonymisation\/anonymisation appara\u00eet ainsi comme une technique indispensable en mati\u00e8re de protection des donn\u00e9es personnelles et favorisant la conformit\u00e9 avec la r\u00e9glementation.<\/p>\n\n\n\n
Qu\u2019est-ce que la Pseudonymisation\u00a0et l\u2019Anonymisation ?<\/h4>\n\n\n\n
L\u2019ENISA<\/a> [1] (agence de l\u2019Union Europ\u00e9enne pour la cybers\u00e9curit\u00e9) d\u00e9finit la pseudonymisation<\/strong> comme \u00e9tant un processus de d\u00e9s identification. C\u2019est un traitement de donn\u00e9es sensibles r\u00e9alis\u00e9 de mani\u00e8re \u00e0 ce que l’on ne puisse plus identifier une personne physique de mani\u00e8re directe sans avoir recours \u00e0 des informations suppl\u00e9mentaires. Alors que l\u2019anonymisation<\/strong> est un processus par lequel les donn\u00e9es \u00e0 caract\u00e8re personnel sont modifi\u00e9es de fa\u00e7on irr\u00e9versible de telle fa\u00e7on que la personne concern\u00e9e ne puisse plus \u00eatre identifi\u00e9e, directement ou indirectement, que ce soit par le responsable du traitement seul ou en collaboration avec d\u2019autres tiers [1].<\/p>\n\n\n\n Lorsque l\u2019on consid\u00e8re le texte suivant : \u00ab Emmanuel MACRON est le huiti\u00e8me Pr\u00e9sident de la V\u00e8me R\u00e9publique fran\u00e7aise. Fondateur du mouvement \u00ab En Marche ! \u00bb, cr\u00e9\u00e9 le 6 avril 2016, il l\u2019a dirig\u00e9 jusqu\u2019\u00e0 sa premi\u00e8re victoire \u00e0 l\u2019\u00e9lection pr\u00e9sidentielle, le 7 mai 2017.<\/em> \u00bb.<\/p>\n\n\n\n On distingue trois types d\u2019informations :<\/p>\n\n\n\n Le tableau suivant r\u00e9sume le r\u00e9sultat attendu lorsque l\u2019on applique ces deux techniques<\/p>\n\n\n\n Une troisi\u00e8me cat\u00e9gorie d\u2019approche de traitement de donn\u00e9es sensibles se d\u00e9gage avec les avanc\u00e9es des algorithmes neuronaux sur l\u2019exploitation du langage naturel\u00a0: la pseudonymisation avanc\u00e9e<\/strong>. Cette derni\u00e8re est capable de traiter une grande majorit\u00e9 des informations sensibles \u00ab\u00a0identifiants\u00a0\u00bb dans un texte. Il reste cependant des cas \u00e0 la marge qui peuvent \u00eatre d\u00e9tect\u00e9s si le contexte du sujet trait\u00e9s est connu. C\u2019est l\u2019exemple du texte suivant \u00ab\u00a0LinkedIn est un r\u00e9seau social. En France, en 2022, LinkedIn compte plus de 25 millions de membres et 12 millions de membres actifs mensuels estim\u00e9s, ce qui en fait le 6\u00e8me r\u00e9seau social.<\/em>\u00a0\u00bb o\u00f9 lorsque le terme 6\u00e8me r\u00e9seau social<\/em>, difficilement d\u00e9tectable peut permettre d\u2019identifier LinkedIn <\/em>lorsque l\u2019on fait quelques recherches sur internet.<\/p>\n\n\n\n Les donn\u00e9es sensibles sont des informations permettant d\u2019identifier une personne physique ou morale. C\u2019est le cas des informations suivantes lorsqu\u2019elles sont associ\u00e9es \u00e0 une personne physique : nom complet (nom et pr\u00e9nom), lieux, organisation, date de naissance, adresses (email, logement), des num\u00e9ros identifiants (carte bancaire, s\u00e9curit\u00e9 sociale, t\u00e9l\u00e9phone) \u2026. ou des informations li\u00e9es \u00e0 une personne morale comme, le nom de l\u2019entreprise, son adresse, ses identifiants SIREN et SIRET, \u2026.<\/p>\n\n\n\n La CNIL [2] d\u00e9crit deux types de techniques de pseudonymisation : celles qui reposent sur la cr\u00e9ation de pseudonymes relativement basiques (compteur, g\u00e9n\u00e9rateur de nombre al\u00e9atoire) et celles qui s\u2019appuient sur les techniques cryptographiques (chiffrement \u00e0 cl\u00e9 secr\u00e8te, fonction de hachage).<\/p>\n\n\n\n Toutes ces m\u00e9thodes expliquent comment les donn\u00e9es sensibles doivent \u00eatre trait\u00e9es dans le cadre de la pseudonymisation. Elle n\u2019explique pas comment les identifier. Le processus d\u2019identification peut \u00eatre simple lorsque les donn\u00e9es sont tabulaires. Il suffit alors de supprimer ou de chiffrer le contenu des colonnes concern\u00e9es.<\/p>\n\n\n\n Chez Novelis, nous travaillons sur la pseudonymisation avanc\u00e9e des donn\u00e9es sensibles contenues dans des textes libres. L\u2019identification dans ce contexte est complexe et est souvent r\u00e9alis\u00e9e manuellement par des humains, ce qui impose un co\u00fbt en temps et en ressources humaines qualifi\u00e9es. L\u2019intelligence Artificielle (IA) et les techniques du traitement automatique du langage (NLP) sont pourtant suffisamment robustes pour automatiser cette t\u00e2che . On distinguera ainsi g\u00e9n\u00e9ralement deux types d\u2019approches d\u2019extraction de donn\u00e9es sensibles : les approches neuronales et les approches bas\u00e9es sur des r\u00e8gles. Bien qu\u2019elles fournissent d\u2019excellents r\u00e9sultats, surtout avec l\u2019apparition des Transformers (mod\u00e8le d\u2019apprentissage profond), les approches neuronales n\u00e9cessitent des jeux de donn\u00e9es importants pour \u00eatre pertinentes, ce qui n\u2019est pas toujours le cas dans le monde industriel. Elles n\u00e9cessitent par ailleurs une t\u00e2che d\u2019annotation par des experts afin de fournir aux mod\u00e8les un jeu de donn\u00e9es de qualit\u00e9 pour l\u2019entra\u00eenement. Quant aux mod\u00e8les bas\u00e9s sur des r\u00e8gles, ils souffrent de probl\u00e8mes de g\u00e9n\u00e9ralisation. Un mod\u00e8le bas\u00e9 sur des r\u00e8gles aura en effet tendance \u00e0 avoir une bonne pr\u00e9cision sur l’\u00e9chantillon servant de base d’apprentissage mais sera plus difficilement applicable \u00e0 un nouveau jeu de donn\u00e9es non \u00e9tudi\u00e9 dans les hypoth\u00e8ses de d\u00e9part<\/p>\n\n\n\n Nous proposons une approche hybride exploitant les points fort des techniques NLP et des mod\u00e8les neuronaux. Tout d\u2019abord nous avons construit un corpus contenant des adresses, pour entra\u00eener un mod\u00e8le neuronal capable de d\u00e9tecter une adresse dans un texte. Un benchmarking des mod\u00e8les a \u00e9t\u00e9 effectu\u00e9 afin de choisir le mod\u00e8le ad\u00e9quat. Le mod\u00e8le est ensuite am\u00e9lior\u00e9 gr\u00e2ce \u00e0 une strat\u00e9gie de \u00ab fine-tuning \u00bb. Combin\u00e9 \u00e0 des librairies python NLP, le mod\u00e8le offre une solution robuste d\u2019extraction des adresses et des entit\u00e9s nomm\u00e9es telles que les noms des personnes, les lieux et les organisations. Des motifs (expressions r\u00e9guli\u00e8res) ont \u00e9t\u00e9 d\u00e9sign\u00e9s, par les experts Novelis, pour l\u2019extraction des autres donn\u00e9es sensibles identifi\u00e9s. Enfin, des heuristiques ont \u00e9t\u00e9 utilis\u00e9es pour d\u00e9sambigu\u00efser et corriger les informations extraites.<\/p>\n\n\n\n Par cette approche, nous avons construit un syst\u00e8me fiable et robuste permettant de traiter les informations sensibles contenues dans tout type de documents (pdf, word, email, \u2026). Le but \u00e9tant de supprimer les t\u00e2ches \u00e0 faible valeur ajout\u00e9 des responsables du traitement des donn\u00e9es par de l\u2019assistance automatis\u00e9e.<\/p>\n\n\n\n\n
![\"\"](\"https:\/\/novelis.io\/wp-content\/uploads\/2023\/01\/La-RPA-pour-les-assurances-4.jpg\")
<\/figure>\n\n\n\nQu\u2019entend-on par \u00ab donn\u00e9es sensibles \u00bb ?<\/h4>\n\n\n\n
Comment pseudonymiser les donn\u00e9es ?<\/h4>\n\n\n\n
L\u2019approche propos\u00e9e par l\u2019\u00e9quipe R&D du laboratoire<\/a> Novelis<\/h4>\n\n\n\n