docs/PRIVACY.md

Zpracování osobních údajů – technický popis prototypu

Tento dokument popisuje, co systém dělá s osobními údaji a jaká opatření jsou skutečně implementována. Není to právní posudek ani certifikace souladu s GDPR; organizační a právní předpoklady (viz poslední sekce) musí zajistit provozovatel.

1. Účel a rozsah zpracování

Položka	Popis
Účel	Prototyp diplomové práce: automatická extrakce entit, tématu a sentimentu z textových zpráv zákaznické podpory a jejich strukturované uložení.
Vstup	Text zpráv (a volitelně conversation_id, speaker, timestamp) nahraný přes /analyze nebo /ingest.
Kategorie údajů ve vstupu	Cokoli, co uživatelé do zpráv napíší: jména, e-maily, telefony, adresy, čísla objednávek apod.
Testovací data	Veřejný dataset Customer Support on Twitter (uživatelská jména v něm jsou již nahrazena identifikátory). Pro demonstrace a testy se mají používat smyšlené údaje.

2. Tok dat

vstup → NER + datumy/časy → téma → sentiment → maskování (Presidio) → uložení
                                             ↘ (volitelně) maskovaný text → LLM API

• Lokální větev (výchozí): žádná data neopouštějí aplikaci.
• LLM větev: poskytovateli (Anthropic / Google / OpenAI) se posílá pouze maskovaný text (režim pre_pseudonymized). Režim raw posílá text bez maskování; je vypnutý a zapíná se výhradně LLM_ALLOW_RAW=true.
• Selže-li maskování, text se do LLM neodešle a nic se neuloží (viz 4.).
• Odpověď /analyze a stav ingest úlohy (/ingest/status/{id}) obsahují původní text a entity – vrací se jen tomu, kdo text poslal, a úloha žije pouze v paměti procesu.

3. Co se ukládá

Sloupec	Obsah	Poznámka
original_hash	SHA-256 původního textu	slouží k deduplikaci; krátké/předvídatelné texty lze hashem ověřit, proto jde stále o pseudonymizaci
anonymized_text	text po maskování ([NAME], [EMAIL], …)	maskování je statistické – může nechat drobnost nezakrytou
entities	typ, skóre, [TYP] místo textu; u DATE/TIME i normalizovaná hodnota	původní text entit se neukládá (STORE_RAW_ENTITIES=false)
conversation_id, speaker, input_timestamp, input_id	metadata vstupu	conversation_id může být identifikátor převzatý ze vstupního souboru – posuzuje provozovatel
topic, sentiment (+ skóre), engine, provider, model, latency_ms, cost_usd	výsledek a provozní údaje

Datum/čas: v anonymized_text je maskováno ([DATE]), ale jako strukturovaný výstup extrakce se jeho normalizovaná hodnota ukládá (je to požadovaný výstup práce). Datum sám o sobě zpravidla neidentifikuje osobu, v kombinaci s jinými údaji ale může – při vyšším riziku vypněte extrakci v processors/temporal.py.

4. Chybové stavy a maskování

• Nelze-li zaručit plné maskování (Presidio nedostupné / selhalo), používá se slabší regex maskování jen při ANONYMIZER_ALLOW_FALLBACK=true. Regex nemaskuje osobní jména. Výchozí chování: text se odmítne (/analyze → 503).
• Neúspěšná analýza se ukládá jako nic – v databázi není žádný „prázdný“ nebo „neutrální“ záznam vzniklý z chyby.

5. Uchovávání, výmaz, zálohy

Téma	Stav
Doba uchování	RETENTION_DAYS=N maže při startu záznamy starší než N dní. Není-li nastaveno, data se uchovávají neomezeně.
Výmaz na žádost	db.purge_older_than(0) smaže vše; cílený výmaz jednoho subjektu není implementován (uložený text je maskovaný, subjekt se v něm nedá spolehlivě dohledat).
Zpětné čištění	db.scrub_stored_entities() nevratně přepíše entity ve starších záznamech.
Zálohy	Zajišťuje poskytovatel databáze (např. Neon); prototyp je neřeší ani nemaže. Zálohy pořízené před čištěním mohou obsahovat původní entity.
Přístup	API nemá autentizaci. Historie a exporty obsahují jen maskovaná data; omezení přístupu musí zajistit infrastruktura (reverzní proxy, síťová pravidla).

6. Externí poskytovatelé

Do poskytovatele LLM odchází maskovaný text a technické údaje (model, identifikátor požadavku). Provozovatel musí mít s poskytovatelem uzavřené podmínky odpovídající jeho roli (zpracovatel / samostatný správce) a ověřit umístění zpracování. Maskování před odesláním snižuje riziko, ale samo o sobě nenahrazuje smluvní ošetření ani nezaručuje anonymitu.

7. Co prototyp nezajišťuje

• právní základ zpracování, informování subjektů údajů, záznamy o zpracování, posouzení vlivu na ochranu údajů,
• autentizaci a autorizaci uživatelů API,
• šifrování uložených dat nad rámec toho, co nabízí použitá databáze,
• spolehlivost detekce osobních údajů: na 600 anotovaných zprávách zamaskoval samotný Presidio 68,1 % jmen osob (119 osob, 38 zůstalo viditelných, převážně podpisy agentů a oslovení). Doplňující pravidla (mask_name_patterns) zvýšila podíl na 93,3 % na vzorku, ze kterého vznikla, což je optimistický odhad. Míra odhalení adres, čísel objednávek a míst změřena nebyla.