Ideas clave
- Combina reglas (documentos de identidad, teléfonos, IBAN) con un modelo NER para nombres y lugares.
- Elimina los datos personales al ingresar y otra vez antes de la inferencia.
- Mide la cobertura con tus propios datos, no con un banco de pruebas.
- Registra lo que se eliminó, nunca los valores originales, y recuerda que los datos con datos eliminados aún pueden ser datos personales.
Eliminar datos reduce el riesgo, pero no es anonimización automática
Combina reglas de formato para identificadores con reconocimiento de entidades para nombres y datos contextuales. Oculta los datos personales innecesarios antes de indexar y antes de llamar al modelo, incluidos los mensajes del usuario. Prueba con tus documentos y transcripciones. El RGPD sigue aplicándose si el texto restante o una tabla separada permiten identificar a alguien.
Técnicas
| Enfoque | Bueno para | Se le escapa |
|---|---|---|
| Expresiones regulares / reglas | Documentos de identidad, teléfonos, correos, IBAN | Nombres, contexto en texto libre |
| Reglas con validación | IBAN comprobados por su suma de control, DNI y NIE comprobados por su letra de control | Todo lo que no tiene formato fijo |
| Modelo NER | Nombres, lugares, organizaciones | Formatos raros, códigos del dominio |
| Búsqueda en diccionario | Nombres conocidos, departamentos, códigos de producto y de clínica | Todo lo que no está en la lista |
| Híbrido | Ambos | Requiere ajuste por dominio |
Cómo sustituir lo que encuentras
| Estrategia | Ejemplo | Cuándo usarla |
|---|---|---|
| Máscara simple | [REDACTED] | El valor no hace falta para la tarea |
| Marcador con tipo | [PERSON_1], [IBAN] | El modelo necesita saber qué clase de cosa había |
| Token coherente | La misma persona es siempre [PERSON_1] en un documento | El modelo debe seguir quién hizo qué |
| Generalización | Una fecha de nacimiento pasa a ser un año, un código postal una región | Algún detalle es útil pero el valor exacto no |
| Sustitución sintética | Un nombre falso realista | El texto debe leerse con naturalidad, pero cuidado con confundir nombres falsos con personas reales |
Dónde corresponde la eliminación de datos
Elimina los datos personales una vez cuando los datos entran en el sistema y otra vez justo antes de cualquier llamada a un modelo. La segunda pasada atrapa lo que un usuario haya escrito directamente en un prompt.
- En la ingesta, antes de fragmentar, generar embeddings y almacenar los documentos.
- Antes de cada llamada al modelo, tanto en el prompt como en los pasajes recuperados.
- En los registros y las trazas, para que la monitorización no se convierta en una segunda copia de los datos en bruto.
- En las salidas, donde un modelo podría repetir algo que no debería.
Por qué los pipelines de voz son más difíciles
En la voz, los identificadores se dicen en voz alta. Un teléfono llega como una serie de palabras de dígitos, un documento de identidad se deletrea letra a letra y un nombre puede reconocerse mal antes de que lo vea cualquier regla. El orden sensato es transcribir primero, eliminar los datos personales del texto y solo entonces pasarlo a un modelo de lenguaje. Prueba la eliminación con transcripciones, no con texto escrito, porque los errores son distintos.
Cómo medir si funciona
- Reúne una muestra etiquetada de tus propios documentos o transcripciones, en todos los idiomas que manejas.
- Marca cada dato personal que una persona querría quitar.
- Ejecuta tu eliminación y compara, entidad por entidad.
- Vigila primero la cobertura, porque un nombre que se escapa es una fuga, y la precisión en segundo lugar, porque eliminar de más destruye el sentido.
- Repite la prueba cada vez que cambies un modelo, una regla o un idioma.
- Muestrea cada semana salidas reales en producción y añade lo que encuentres al conjunto de prueba.
Registra lo que se eliminó, como el tipo de entidad y la posición, pero nunca los valores originales. Un registro de eliminación lleno de los nombres originales anula su propio propósito.
Fallos habituales
| Fallo | Causa | Solución |
|---|---|---|
| Se cuela un nombre raro o extranjero | NER entrenado sobre todo con nombres comunes | Añadir un diccionario de personas conocidas y probar por idioma |
| Un nombre de fármaco se sustituye como si fuera una persona | NER demasiado celoso | Añadir una lista de excepciones del dominio y revisar los falsos positivos |
| Sobrevive un identificador partido en dos líneas | Reglas aplicadas línea a línea | Normalizar los espacios en blanco antes de buscar coincidencias |
| Datos personales en nombres de archivo, metadatos o URL | Solo se limpió el texto del cuerpo | Limpiar los metadatos y sanear los nombres en la ingesta |
| Texto en bruto en los registros | El registro se hace antes de eliminar los datos | Colocar la eliminación antes del registrador |
Cuéntanos qué documentos, idiomas e identificadores procesa tu sistema. Diseñaremos y probaremos la ocultación antes de que los datos lleguen al modelo o a los registros.
Consulta sobre ocultación de datosFAQ
¿Se puede revertir la eliminación de datos?
Solo si conservas una correspondencia. Guárdala por separado con un acceso más estricto, o no la guardes.
¿Son anónimos los datos con datos eliminados?
No automáticamente. Si el texto restante aún pudiera vincularse a una persona, sigue siendo dato personal según el RGPD, así que mantén las demás salvaguardas.
¿Seguimos necesitando eliminar datos si el modelo está alojado en la UE?
Sí, en la mayor parte del trabajo regulado. El alojamiento en la UE resuelve dónde se tratan los datos. La eliminación limita lo que el modelo, sus registros y su operador llegan a ver, lo que reduce el daño de cualquier error.
Fuentes
- Reglamento (UE) 2016/679 (RGPD), artículo 4, apartados 1 y 5, y considerando 26
- Comité Europeo de Protección de Datos, Directrices 01/2025 sobre seudonimización
- OWASP Top 10 para aplicaciones LLM, divulgación de información sensible
Sobre el autor
Erik Salo Akimov · Cofundador · Ingeniería
Erik dirige la ingeniería en ESADEX. Diseña las plataformas, la infraestructura y los controles de seguridad que sostienen los sistemas de los clientes.
