Aller au contenu

Questions fréquemment posées

GDPR Pseudonymizer - Réponses aux questions les plus courantes

Précision et détection

Quelle précision puis-je attendre de la détection automatique ?

Le pipeline hybride de détection (NLP + expressions régulières) identifie automatiquement environ 60 % des entités dans un texte français. Cette étape sert de pré-filtrage -- vous vérifiez et validez chaque entité au cours du processus de validation obligatoire.

Après validation humaine, la précision atteint 100 % puisque vous contrôlez la décision finale pour chaque entité.

Pourquoi la précision du NER est-elle si faible ?

Le modèle spaCy fr_core_news_lg a été entraîné principalement sur des textes journalistiques, pas sur des transcriptions d'entretiens ou des documents commerciaux. Les modèles linguistiques spécifiques à un domaine (registres conversationnels, formalité mixte) réduisent la précision en utilisation directe. Un test d'évaluation portant sur 25 documents français contenant 1 855 entités a mesuré un F1 de 29,5 % pour spaCy seul, amélioré à environ 60 % (F1 59,97 %) avec l'approche hybride.

Un affinage basé sur des données de validation du monde réel est prévu pour la v3.0 (ciblant un F1 de 70-85 %).

Pourquoi la validation est-elle obligatoire ?

Parce que la détection IA rate des entités. Avec un rappel d'environ 80 %, environ un cinquième des entités ne seraient pas détectées sans examen humain. Pour la conformité RGPD, manquer ne serait-ce qu'une entité de données personnelles pourrait constituer une violation de données. La validation obligatoire garantit aucun faux négatif.

Comment traiter uniquement certains types d'entités ?

Utilisez l'option --entity-types avec une liste de types séparés par des virgules :

# Traiter uniquement les entités PERSON
gdpr-pseudo process doc.txt --entity-types PERSON

# Traiter PERSON et LOCATION (ignorer ORG)
gdpr-pseudo batch ./documents/ --entity-types PERSON,LOCATION

Les types valides sont PERSON, LOCATION et ORG. Quand cette option n'est pas spécifiée, tous les types d'entités sont traités. Elle fonctionne avec les commandes process et batch.

Qu'est-ce que le regroupement des variantes d'entités ?

Le regroupement des variantes fusionne automatiquement les formes connexes d'une même entité en un seul élément de validation. Par exemple, si un document contient « Marie Dubois », « Pr. Dubois » et « Dubois », l'interface de validation les montre comme un seul élément avec « Apparaît aussi sous : » listant les formes variantes.

Cela réduit la fatigue de validation en éliminant les demandes redondantes. Le regroupement est de type conscient :

  • PERSON : Correspondance du nom de famille sans titre (« Dr. Dubois » = « Dubois »). Les prénoms différents restent séparés (« Marie Dubois » vs « Jean Dubois »).
  • LOCATION : Suppression des prépositions françaises (« à Lyon » = « Lyon »).
  • ORG : Correspondance insensible à la casse (« ACME Corp » = « acme corp »).

Formats de documents et langues

Quels formats de documents sont pris en charge ?

Formats pris en charge : - Texte brut (.txt) - Markdown (.md) - PDF (.pdf) -- nécessite une dépendance optionnelle - Microsoft Word (.docx) -- nécessite une dépendance optionnelle - Excel (.xlsx) -- nécessite une dépendance optionnelle (openpyxl) - CSV (.csv) -- aucune dépendance supplémentaire

Les formats HTML et autres ne sont pas encore pris en charge. Convertissez ces fichiers en texte brut avant le traitement.

Comment traiter des fichiers PDF, DOCX, Excel ou CSV ?

Installez les extras de format optionnels et traitez comme d'habitude :

# Installer le support PDF/DOCX
pip install gdpr-pseudonymizer[formats]

# Installer le support Excel
pip install gdpr-pseudonymizer[excel]

# Traiter un PDF
gdpr-pseudo process rapport.pdf

# Traiter un DOCX
gdpr-pseudo process entretien.docx

# Traiter un fichier Excel
gdpr-pseudo process donnees.xlsx

# Traiter un fichier CSV (aucune dépendance supplémentaire)
gdpr-pseudo process donnees.csv

Les fichiers PDF et DOCX produisent toujours une sortie en texte brut (.txt). Les fichiers Excel et CSV conservent leur format d'origine (.xlsx/.csv). La préservation du format (PDF vers PDF, DOCX vers DOCX) est prévue pour une version future.

Remarques sur Excel : Les formules sont lues comme valeurs calculées en cache (non conservées en sortie). Chaque cellule est traitée indépendamment par le pipeline NER. Le format ancien .xls n'est pas pris en charge.

Puis-je utiliser cet outil pour des documents non français ?

Non. La v1.0 est conçue exclusivement pour le texte en langue française. Le modèle NLP (fr_core_news_lg), les expressions régulières et les bibliothèques de pseudonymes sont tous spécifiques au français.

La prise en charge multilingue (anglais, espagnol, allemand) est prévue pour la v3.0.

Quelles langues sont prises en charge ?

Le français uniquement dans la v1.0. L'outil utilise le modèle fr_core_news_lg de spaCy entraîné spécifiquement sur du texte français.

Conformité RGPD

Cet outil est-il conforme au RGPD ?

GDPR Pseudonymizer facilite la conformité RGPD mais ne la garantit pas à lui seul. L'outil implémente :

  • Article 4(5) : Pseudo-anonymisation avec stockage séparé chiffré de la table de correspondance
  • Article 25 : Protection des données dès la conception (traitement 100 % local, stockage chiffré)
  • Article 32 : Mesures de sécurité (chiffrement AES-256-SIV, dérivation de clé PBKDF2)
  • Article 30 : Registres de traitement (journalisation d'audit complète avec export)

Important : Les données pseudo-anonymisées restent des données personnelles au sens du RGPD (Considérant 26). Vous restez responsable du traitement et devez consulter votre Délégué à la protection des données pour des conseils de conformité spécifiques.

Consultez la Méthodologie pour la cartographie complète de conformité RGPD.

La pseudo-anonymisation est-elle la même chose que l'anonymisation ?

Non. La pseudo-anonymisation remplace les informations d'identification par des pseudonymes mais reste réversible (avec la table de correspondance et le mot de passe). Les données pseudo-anonymisées restent des données personnelles au sens du RGPD.

L'anonymisation supprime de manière irréversible toute information d'identification afin que la ré-identification soit impossible. Le RGPD ne s'applique pas aux données véritablement anonymes.

GDPR Pseudonymizer effectue la pseudo-anonymisation, non l'anonymisation. C'est intentionnel -- de nombreux cas d'usage nécessitent la réversibilité (suivi de recherche académique, procédures judiciaires, exigences d'audit).

Mes données quittent-elles ma machine ?

Non. Tout le traitement se fait localement. Il n'y a aucune dépendance cloud, appels API, télémétrie ou communication réseau. Après l'installation initiale (téléchargement du modèle spaCy), l'outil fonctionne complètement hors ligne.

Comparaison avec les alternatives

Comment cela se compare-t-il au caviardage manuel ?

Aspect Caviardage manuel GDPR Pseudonymizer
Temps par document 15-30 minutes 2-5 minutes (détection préalable IA + validation)
Précision Sujette à erreur humaine 100 % (validation obligatoire)
Cohérence Difficile entre documents Garantie (même entité = même pseudonyme)
Réversibilité Impossible Oui (table de correspondance chiffrée)
Piste d'audit Journalisation manuelle Automatique (journalisation des opérations, export JSON/CSV)
Coût pour 50 documents 16-25 heures 2-3 heures

Comment cela se compare-t-il aux services cloud de pseudo-anonymisation ?

Aspect Services cloud GDPR Pseudonymizer
Localisation des données Serveurs tiers 100 % local
Risque de confidentialité Exposition des données au fournisseur Zéro (aucun réseau)
Coût Par document ou abonnement Gratuit (open source)
Précision Varie (souvent pas de validation) 100 % (validation obligatoire)
Personnalisation Limitée Complète (pseudonymes thématiques, fichiers de configuration)
Internet requis Toujours Uniquement pour l'installation

Comment cela se compare-t-il aux outils entièrement automatiques ?

Aspect Outils automatiques GDPR Pseudonymizer
Supervision humaine Aucune Obligatoire
Précision Dépend du NLP (souvent 70-90 %) 100 % (validation humaine)
Vitesse Plus rapide (pas de validation) Plus lent mais plus précis
Solidité juridique RGPD Plus faible (pas de piste d'audit humain) Plus forte (révision humaine documentée)
Faux négatifs Possibles Zéro (par conception)

Interface graphique (application de bureau)

Comment passer en mode sombre ?

Ouvrez le menu Affichage dans la barre de menus et sélectionnez le thème Sombre. Vous pouvez aussi le modifier dans Paramètres > Apparence > Thème. Trois thèmes sont disponibles : Clair, Sombre et Contraste élevé. La préférence est sauvegardée automatiquement.

Puis-je utiliser l'interface graphique sans souris ?

Oui. L'interface respecte les normes d'accessibilité WCAG 2.1 niveau AA avec une navigation complète au clavier. Appuyez sur Entrée dans l'éditeur de validation pour démarrer le mode navigation, puis utilisez Tab/Maj+Tab pour naviguer entre les entités. Consultez le Guide de l'interface graphique pour la référence complète des raccourcis clavier.

Quelle est la différence entre la CLI et l'interface graphique ?

Les deux utilisent le même moteur de traitement. La CLI est en mode texte (terminal) et idéale pour le scripting et l'automatisation. L'interface graphique offre une interface visuelle avec glisser-déposer, validation colorée des entités, tableau de bord de progression par lot et gestion de base de données. Choisissez selon votre préférence de travail.

Ai-je besoin de Python pour l'interface graphique ?

Non. Des exécutables autonomes sont disponibles pour Windows (installeur .exe), macOS (.dmg) et Linux (.AppImage). Téléchargez depuis les versions GitHub. Si vous préférez PyPI : pip install gdpr-pseudonymizer[gui].

Feuille de route

Qu'est-ce qui est prévu pour les versions futures ?

v1.0 (T1 2026) : CLI assistée par IA avec validation obligatoire

v1.1 (T1 2026) : Effacement RGPD, pseudonymes genrés, amélioration NER, support PDF/DOCX, documentation française

v2.0 (T1 2026 — Actuelle) : Interface graphique, exécutables autonomes, accessibilité WCAG AA, interface française, validation par lot

v3.0 (2027+) : Précision NLP et automatisation - Modèle NER français affiné (cible F1 de 70-85 %) - Option --no-validate facultative pour les workflows haute confiance - Prise en charge multilingue (anglais, espagnol, allemand)

Existe-t-il une version avec interface graphique ?

Oui ! La v2.0 inclut une interface graphique complète avec traitement de documents par glisser-déposer, validation visuelle des entités, tableau de bord de traitement par lot et exécutables autonomes sans Python. Consultez le Guide de l'interface graphique pour les détails.

Puis-je contribuer ?

Pas encore. Le projet est en développement pré-lancement. Après le lancement de la v1.0 MVP, les contributions seront bienvenues pour les rapports de bogues, les améliorations de documentation, les traductions et les suggestions de fonctionnalités.

GitHub : https://github.com/LioChanDaYo/RGPDpseudonymizer

Questions techniques

Quel modèle NLP est utilisé ?

spaCy fr_core_news_lg (version 3.8.0), un grand modèle de langue française (~571 Mo). Il a été sélectionné après un test d'évaluation par rapport à Stanza, réalisant un score F1 2,5 fois meilleur sur le corpus de test.

Comment la base de données de correspondance est-elle chiffrée ?

AES-256-SIV (chiffrement authentifié déterministe selon RFC 5297) avec dérivation de clé PBKDF2-HMAC-SHA256 (210 000 itérations). Chaque base de données possède un salt aléatoire cryptographiquement unique de 32 octets. Le mot de passe n'est jamais stocké sur le disque.

Que se passe-t-il si j'oublie mon mot de passe ?

La base de données de correspondance ne peut pas être déchiffrée sans le mot de passe correct. Cela signifie : - Les mappings de pseudonymes existants sont définitivement inaccessibles - Vous ne pouvez pas inverser la pseudo-anonymisation sur les documents précédemment traités - Vous devez créer une nouvelle base de données (poetry run gdpr-pseudo init --force)

Recommandation : Stockez votre mot de passe dans un gestionnaire de mots de passe sécurisé.

Puis-je utiliser différents thèmes pour le même projet ?

Techniquement oui, mais ce n'est pas recommandé. Les différents thèmes produisent différents pseudonymes pour la même entité, créant des incohérences. Si vous devez changer de thème, utilisez une base de données séparée pour chaque thème.

Documentation connexe