BroadRouter
Começar

PII (informações pessoais identificáveis)

Atualizado em

PII (personally identifiable information) é a informação que permite distinguir ou rastrear a identidade de uma pessoa, como nome, número de documento ou registro biométrico, mais outras informações ligadas ou vinculáveis a ela. O termo mais amplo do GDPR é dados pessoais. Com LLMs, a anonimização de PII remove esses dados dos prompts antes que saiam dos seus sistemas.

Também chamado de: informações pessoais identificáveis, dados pessoais identificáveis, anonimização de dados pessoais, mascaramento de PII, PII, personally identifiable information, PII redaction

O PII mais seguro é o que você nunca envia. A maioria dos prompts que carregam esses dados não precisa deles.

Como funciona

O NIST SP 800-122 (abril de 2010) usa uma definição ampla: PII é “any information about an individual maintained by an agency, including (1) any information that can be used to distinguish or trace an individual’s identity, such as name, social security number, date and place of birth, mother’s maiden name, or biometric records; and (2) any other information that is linked or linkable to an individual, such as medical, educational, financial, and employment information.” (tradução: qualquer informação sobre um indivíduo mantida por um órgão, incluindo (1) qualquer informação que possa ser usada para distinguir ou rastrear a identidade de um indivíduo, como nome, número do seguro social, data e local de nascimento, nome de solteira da mãe ou registros biométricos; e (2) qualquer outra informação ligada ou vinculável a um indivíduo, como informações médicas, educacionais, financeiras e de emprego).

O termo do GDPR é dados pessoais: “any information relating to an identified or identifiable natural person” (tradução: qualquer informação relativa a uma pessoa singular identificada ou identificável), incluindo “a name, an identification number, location data, an online identifier” (tradução: um nome, um número de identificação, dados de localização, identificadores por via eletrônica). A PDPL da Arábia Saudita define dados pessoais em termos parecidos.

Ferramentas de anonimização costumam trabalhar em duas etapas. O analyzer do Microsoft Presidio cuida da “PII identification in text” (tradução: identificação de PII no texto), usando padrões e reconhecimento de entidades nomeadas. O anonymizer então aplica um operador a cada ocorrência:

Operador Descrição do Presidio
replace “Replace the PII with desired value” (substitui o PII pelo valor desejado)
redact “Remove the PII completely from text” (remove o PII completamente do texto)
mask “Replace the PII with a given character” (substitui o PII por um caractere definido)
hash “Hashes the PII text using salted hashing for security” (gera um hash do texto PII com salt, por segurança)
encrypt “Encrypt the PII using a given key” (criptografa o PII com uma chave definida)

Um padrão de marcadores para um chamado de suporte:

Before: Ahmed Al-Harbi (+966 5x xxx xxxx) says order 4471 never arrived.
After:  <PERSON_1> (<PHONE_1>) says order 4471 never arrived.

Você guarda o mapeamento do seu lado e coloca os valores reais de volta na resposta do modelo.

Por que importa

  • Cada cópia é um risco. O NIST recomenda que as organizações “minimize the use, collection, and retention of PII to what is strictly necessary” (tradução: reduzam o uso, a coleta e a retenção de PII ao estritamente necessário). Prompts e logs são cópias.
  • A detecção deixa passar coisas. O Presidio diz que “there is no guarantee that Presidio will find all sensitive information” (tradução: não há garantia de que o Presidio encontre todas as informações sensíveis). Nomes árabes, formatos de telefone do Golfo e textos com alfabetos misturados são onde detectores genéricos costumam falhar; teste com os seus próprios dados.
  • As saídas também podem vazar. Rode as mesmas checagens nas respostas. Guardrails podem bloqueá-las ou sinalizá-las.

Enviar dados sensíveis para uma API de LLM trata de anonimização, marcadores e logging em detalhe, e logging de uso com PII removido cobre os seus próprios logs.

Na BroadNet Inference

A declaração de privacidade da BroadNet diz que ela não retém prompts, áudio, imagens, respostas ou transcrições, e não usa dados de inferência para treinar, fazer fine-tuning ou avaliar modelos. Isso limita o que fica guardado depois da requisição. Mas ela não anonimiza por você: o PII ainda chega ao modelo durante o processamento, então minimize antes. Veja retenção zero de dados.

A BroadNet também publica um proxy de anonimização open source, o LLM Sensitive Data Firewall (LSDF), sob Apache-2.0; o post sobre dados sensíveis descreve o proxy e os números da avaliação feita pela própria BroadNet. Esta página não é aconselhamento jurídico.

Perguntas frequentes

PII é a mesma coisa que dados pessoais no GDPR?

Os dois se sobrepõem, mas não são iguais. A definição de PII do NIST vem de orientações federais dos EUA. O GDPR define dados pessoais como qualquer informação relativa a uma pessoa identificada ou identificável, o que inclui identificadores online e dados de localização.

Uma ferramenta consegue achar todo o PII de um prompt automaticamente?

Não. A própria documentação do Presidio diz que não há garantia de que ele encontre todas as informações sensíveis. Combine a detecção com o envio apenas dos campos de que a tarefa precisa, e teste com os seus próprios dados.

Devo remover PII antes de chamar uma API de LLM?

Onde o modelo não precisa deles, sim. Troque nomes, telefones e números de documento por marcadores e mapeie de volta depois da resposta. Isso reduz a exposição sob os termos de qualquer provedor.

Ler em MarkdownPerguntar ao ChatGPTPerguntar ao ClaudePerguntar ao Perplexity