Noirci v14-base : detection de donnees personnelles en francais
5000.dev
0dd9c73
CamemBERT reentraine sur de la correspondance professionnelle francaise,
exporte en ONNX int8 (186 Mo, processeur).
Mesure sur documents reels annotes a la main, pipeline complet : 3,96 % de
fuite sur le jeu de validation tenu a l'ecart, 0,00 % sur 1 037 personnes.
Une entite n'est comptee protegee que si 100 % de ses caracteres
significatifs sont masques : un nom a moitie masque est une fuite, pas un
demi-succes.
Le corpus d'entrainement melange du synthetique metier, du WikiNER francais
et de la prose reelle a VALEURS SUBSTITUEES : la structure vient de vrais
documents, chaque entite a ete remplacee par une autre valeur reelle du
meme type tiree de sources publiques. Aucune donnee client ne subsiste.
Point non evident : la forme de surface des societes a ete realignee sur la
distribution observee. Les pools BODACC et SIRENE stockent les raisons
sociales en capitales, d'ou un corpus a 65 % de majuscules contre 17 % dans
la vraie correspondance. Le modele apprenait qu'une societe es…