Programme Leçon 182 sur 250 · Mettre les LLM en production : coût, cache et garde-fous
Mettre les LLM en production : coût, cache et garde-fous

Garde-fou de masquage des données personnelles

Avant que le texte d'un utilisateur atteigne un modèle, un journal ou une table d'analyse, tu dois en retirer les données personnelles identifiantes (PII). Pour un produit qui met la vie privée en premier, ce n'est pas une finition facultative, c'est la barrière qui garde les e-mails, numéros de téléphone et numéros de carte hors des endroits où ils ne doivent jamais arriver. La technique est la recherche de motifs avec des expressions régulières, en remplaçant chaque correspondance par un marqueur typé.

Trois motifs courants font l'essentiel du travail :

  • E-mail : quelque chose comme name@host.tld -> remplace par [EMAIL].
  • Téléphone : un numéro à 10 chiffres, éventuellement groupé avec des espaces, tirets, points, ou un indicatif de pays au début -> [PHONE].
  • Carte : 16 chiffres en quatre groupes de quatre, séparés par des espaces ou des tirets facultatifs -> [CARD].

Masque d'abord le motif le plus long et le plus précis (la carte à 16 chiffres) pour qu'un motif de téléphone plus gourmand ne puisse pas mordre dedans. En remplaçant, note quels types tu as trouvés, pour que les appelants puissent vérifier ce qui a été nettoyé. Un texte propre revient intact avec une liste vide.

import re
EMAIL = re.compile(r"\b[A-Za-z0-9._%+\-]+@[A-Za-z0-9.\-]+\.[A-Za-z]{2,}\b")

Tu lancerais ça à l'entrée de tout modèle. Par exemple, avant de donner du texte à un moteur sur l'appareil, tu ferais safe, _ = redact(user_text) et tu enverrais safe, jamais la chaîne brute. L'appel au modèle n'est là que pour illustrer ; le masqueur est la partie que tu construis et qui est notée. Connais ses limites avant de t'y fier : les motifs de chiffres donnent des faux positifs (un numéro de commande comme "#2026071234" ressemble à un numéro de téléphone) et ratent ce qu'ils ne décrivent pas (noms, adresses postales, numéros de compte écrits avec des espaces). Le masquage par regex est une première passe bon marché ; un vrai système ajoute un détecteur d'entités et, surtout, n'envoie au modèle que les champs dont la tâche a besoin.

Construis redact(text). Renvoie un tuple (masked_text, types) où masked_text a chaque e-mail, téléphone et carte remplacé par son marqueur, et types est une liste triée des types d'entités distincts trouvés (parmi "card", "email", "phone"). Un texte propre revient inchangé avec [].

À ton tour

Écris redact(text) qui renvoie (masked_text, types). Remplace chaque e-mail par [EMAIL], chaque numéro de téléphone par [PHONE], et chaque carte à 16 chiffres par [CARD] ; types est la liste triée des types distincts trouvés parmi "card", "email", "phone". Une chaîne avec un e-mail et un téléphone revient avec les deux masqués et ['email', 'phone'] ; un texte propre revient inchangé avec [] ; un autre mélange de données personnelles donne un autre ensemble de types.

Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon

Cet exercice s'ouvre bientôt

Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.