GuidesIA et conformité
Pseudonymiser les données avant de les envoyer à une IA
Le principe
- 1DétecterNoms, e-mails, téléphones, IBAN, adresses.
- 2RemplacerPar des étiquettes stables.
- 3EnvoyerLe texte sans identité au modèle.
- 4RestaurerLes vraies valeurs dans la réponse.
Exemple
| Avant | Envoyé au modèle |
|---|---|
| Marie Dupont a appelé le 06 12 34 56 78 | PERSONNE_1 a appelé le TEL_1 |
| marie.dupont@exemple.fr | EMAIL_1 |
| Son conseiller, Paul Martin | Son conseiller, PERSONNE_2 |
Le code, en simple
function pseudonymiser(texte: string) {
const table = new Map<string, string>();
let n = 0;
const sortie = texte.replace(/[\w.+-]+@[\w-]+\.[\w.]+/g, (v) => {
const cle = `EMAIL_${++n}`;
table.set(cle, v);
return cle;
});
return { sortie, table }; // la table reste sur votre serveur
}
const restaurer = (texte: string, table: Map<string, string>) =>
[...table].reduce((t, [cle, v]) => t.replaceAll(cle, v), texte);
Les limites
- Détection imparfaiteUn nom rare ou mal écrit peut passer.
- Contexte révélateur« Le maire de la ville » identifie quelqu’un.
- Table sensibleElle doit être protégée comme les données.
Le cadre : IA, RGPD et AI Act. Une alternative : un modèle local pour les données sensibles.
Questions fréquentes
- Des données pseudonymisées sont-elles anonymes ?
- Non. Pour le RGPD, elles restent des données personnelles, puisque la table permet de retrouver les personnes. La pseudonymisation réduit le risque, elle ne fait pas sortir du RGPD.
- Comment détecter les noms automatiquement ?
- Les expressions régulières suffisent pour les e-mails, téléphones et numéros. Pour les noms et adresses, des outils comme Microsoft Presidio (open source) ou un petit modèle local font la détection.
- La réponse reste-t-elle de bonne qualité ?
- En général oui, si les étiquettes sont cohérentes (PERSONNE_1 reste la même personne dans tout le texte). Le modèle raisonne aussi bien sur une étiquette que sur un nom.