MARKETIA
ConnexionInscription
N2 · Un peu de bricolageNouveau

Détection et anonymisation de données personnelles (Presidio)

Pseudonymisation de texte, images et données structurées avant envoi à un LLM tiers — conformité RGPD

Vendu par MagicMate

Ce qu'il faut

Niveau
N2 · Un peu de bricolage — Fonctionne dans un outil que vous avez déjà, mais demande des réglages (clé d'accès, options) avant d'être opérationnel.
Serveur requis
Non
Réglages requis
Oui
Licence
Projet tiers sous licence permissive (MIT) : utilisation, modification et redistribution permises selon ses termes, avec conservation des mentions de droit d'auteur et du texte de licence. Le texte de la licence d'origine, publié dans le dépôt source, fait foi.

Un framework de détection et d'anonymisation des données personnelles (noms, emails, IBAN, cartes bancaires...) dans du texte, des images ou des données structurées, combinant reconnaissance d'entités NLP et règles personnalisables. Utile pour pseudonymiser des documents avant de les envoyer à un LLM tiers ou de les archiver, comme aide à la pseudonymisation (ce n'est pas une garantie de conformité RGPD).

Limites et précautions : le README prévient qu'il n'y a aucune garantie que Presidio trouve toutes les informations sensibles. Par défaut, les reconnaisseurs et modèles sont ceux de l'anglais, et la liste officielle des entités ne contient aucun identifiant français natif (SIREN, SIRET, numéro de sécurité sociale, RPPS, FINESS) : il faut les écrire soi-même et prévoir un jeu de test pour mesurer les oublis.

Licence et attribution : ce produit référence le projet open source Presidio (https://github.com/microsoft/presidio), né chez Microsoft et aujourd'hui gouverné par l'organisation Data Privacy Stack, distribué sous licence MIT (texte complet : https://github.com/microsoft/presidio/blob/main/LICENSE). Tous droits conservés par ses auteurs ; cette fiche est une présentation rédigée par Marketia.

Critique Marketia

Verdict

Un bon socle pour détecter et masquer des données personnelles dans du texte, mais configuré pour l'anglais et les identifiants anglo-saxons : en France, il ne détecte pas d'office les SIREN, SIRET, numéros de sécurité sociale ni identifiants de santé français, et il ne garantit pas de tout trouver. Ce n'est pas une conformité RGPD clé en main.

Pour qui (PME française)

  • Une équipe technique qui veut nettoyer des textes (e-mails, comptes rendus, tickets) avant de les envoyer à un LLM externe, avec la volonté d'écrire ses propres règles françaises.
  • Pas pour une PME sans développeur, ni comme seule protection.

Points forts prouvés

  • Détecteurs prêts à l'emploi pour e-mail, carte bancaire, IBAN, adresse IP, téléphone, URL, personnes et lieux (docs/supported_entities.md lu, liste complète lue).
  • Pluggable : on peut ajouter ses propres reconnaisseurs, et choisir spaCy, transformers ou stanza comme moteur de langage (docs/installation.md et docs/analyzer/languages.md lus).
  • Traitement du texte, mais aussi de l'image (module de rédaction d'image, avec Tesseract) et des données structurées ; mode service REST via Docker (installation.md lu).
  • Maintenu : dernier commit 2026-10-08, dernière release 2.2.364 le 2026-07-22 (flux Atom lus). Environ 76 issues ouvertes (page des issues, résumé automatique), un nombre modéré.

Limites et risques

  • Par défaut, « recognizers and models for English » (docs/analyzer/languages.md). Le français demande de changer le moteur de langage, de télécharger un modèle français et d'adapter les mots de contexte (la doc le dit).
  • La liste officielle des entités ne contient aucun identifiant français. Trois issues ouvertes le confirment : demandes de FR_SIREN/SIRET (#2320), FR_RPPS et FR_FINESS (#2342), FR_NIR (#2313). À écrire vous-même (expressions régulières et vérification de clé).
  • Le README prévient : « there is no guarantee that Presidio will find all sensitive information ». Une promesse de « conformité RGPD » sur la fiche actuelle est donc à éviter ; l'anonymisation automatique est une aide, pas une garantie.
  • Fausses détections et omissions silencieuses documentées dans les issues récentes : URL avec port partiellement masquée (#2339), anonymize_list() qui tronque la sortie sans erreur quand les longueurs diffèrent (#2343), argument ignoré (#2327).
  • Gouvernance : le projet a quitté Microsoft pour une organisation communautaire (docs/project_transition.md : « not owned or operated by a commercial entity », maintenu par des bénévoles). Rassurant sur la licence, moins sur le support garanti. L'URL du dépôt a changé : les redirections existent.
  • Modèle spaCy anglais « large » à télécharger séparément (python -m spacy download en_core_web_lg) ; taille non précisée dans les docs lues, non chiffrée ici.

Effort d'installation réel

Faible pour l'anglais : deux paquets pip plus un modèle spaCy. Élevé pour un usage français sérieux : modèle français, reconnaisseurs maison, jeu de test annoté pour mesurer les oublis. Estimation : quelques heures pour un prototype, plusieurs jours (et des documents de test) pour quelque chose qu'on oserait mettre devant un client. Estimation, pas mesure.

Alternatives

  • Sous-traiter la détection à un service géré (Azure AI Language PII, cité dans la doc de Presidio) : meilleur support, mais les données sortent de chez vous.
  • Solutions françaises ou règles maison à base d'expressions régulières pour les identifiants connus ; CamemBERT/NER français pour les noms (non évalués ici).

Licence et attention commerciale

MIT (fichier LICENSE lu : « The MIT License (MIT), Copyright (c) Presidio Contributors »). Usage commercial permis. La licence n'engage aucune garantie de résultat : en cas de fuite de données personnelles non détectées, la responsabilité reste la vôtre.

Ce que nous n'avons pas testé

Aucune installation, aucun passage de texte français, aucune mesure de rappel ou de précision, aucun test du service REST ni de la rédaction d'image, aucune vérification de la qualité des modèles français disponibles.

Sources (lues le 2026-10-17)

Aller plus loin