Распознавание персональных данных в документе

Прежде чем что-то обезличивать, надо понять, что внутри. Mask Gate читает документ, находит персональные данные и показывает отчёт: какие категории, сколько находок и где они лежат.

Проверить документ

Распознавание — это диагностика, а не лечение. Оно отвечает на вопрос «что в файле», не меняя сам файл. Дальше можно отправить отчёт коллеге, разобраться с находками вручную или сразу перейти к обезличиванию.

Что именно ищет детектор

Движок ищет не «похожие на цифры» последовательности, а конкретные категории с проверками. Паспорт РФ — серия и номер, в том числе с пробелами и разделителями. ИНН, СНИЛС, ОГРН и ОГРНИП проверяются по контрольной сумме, поэтому случайный набор цифр за реквизит не считается. Карты — по алгоритму Луна, плюс CVV и срок действия. Отдельно — расчётные счета, БИК, КПП, телефоны и адреса электронной почты.

Полный список и настройки стратегий живут на странице какие данные находим. Она собирается из политики вашего инстанса, поэтому не может разойтись с тем, что реально умеет движок.

Где детектор смотрит

В DOCX это не только видимый текст: таблицы, колонтитулы, сноски, примечания, скрытый текст правок и переменные документа. В XLSX — значения и формулы на всех листах, включая комментарии к ячейкам. В PDF — текстовый слой и поля формы; страницы без текста распознаются через OCR. Для TXT и CSV кодировка определяется автоматически.

НосительЧто распознаётся
DOCXАбзацы, таблицы, колонтитулы, сноски, комментарии, скрытый текст
XLSXВсе листы, значения и формулы, комментарии, текст фигур
PDFТекстовый слой, поля формы; страницы без текста — OCR
TXT, CSVТекст с автоопределением кодировки
СканыOCR: текст с изображения попадает в отчёт

Что показывает отчёт

Отчёт — это список находок по категориям и по местам в документе. Он не «подсвечивает всё красным»: у каждой находки есть категория и уверенность, а у некоторых категорий — результаты проверок (контрольная сумма, Луна). Это позволяет понять, где настоящие данные, а где совпадение.

Зачем это нужно на практике. Перед отправкой договора подрядчику полезно увидеть, что в нём остались паспорт клиента и телефон в колонтитуле — и только потом решать, что убрать. Если отчёт показывает медданные или иные спецкатегории, облачная обработка такого файла не пройдёт: сработает предохранитель (подробнее — на странице сведений о здоровье).

Чем это отличается от обезличивания

Распознавание не меняет файл: вы получаете отчёт, а документ остаётся исходным. Обезличивание — следующий шаг: найденные значения заменяются, и вы скачиваете готовый файл в том же формате. Если нужен именно результат, открывайте обезличивание документов.

Точность и границы

Точность зависит от категории и от текста: нестандартный формат реквизита может не найтись, а похожий набор цифр — потребовать проверки. Открытые метрики качества опубликованы на странице quality: там видно, на каком корпусе и с какими ограничениями получены цифры. Читать их стоит как свойство корпуса, а не как гарантию на вашем документе.

Отдельные границы. Изображения, вставленные в DOCX или XLSX, пересборка не проверяет — файл может быть помечен как непроверенный. Биометрия детектором не выявляется: для неё нужен отдельный процесс. Это не «мелкий шрифт», а часть контракта: лучше узнать об этом до, чем после отправки.

Частые вопросы

Какие данные находит детектор?

Паспорт РФ, ИНН, СНИЛС, ОГРН/ОГРНИП, номера банковских карт, расчётные счета, БИК, КПП, телефоны и адреса электронной почты. Полный список с настройками стратегий собирается из политики инстанса на странице «Какие данные находим», поэтому он не расходится с тем, что реально умеет движок.

Что делать, если данных в документе много?

Сначала посмотрите отчёт: в нём видно, какие категории найдены и в каком месте документа. Затем решите, что делать дальше — обезличить файл целиком или разобраться с находками вручную. Для регулярного потока разумнее сразу обезличивать, а не проверять каждый файл руками.

Распознавание работает со сканами?

Да, если в скане есть текст: страницы без текстового слоя распознаются через OCR, и найденные данные попадают в отчёт. Качество зависит от скана: размытое или повёрнутое изображение может ухудшить результат.

Это то же самое, что обезличивание?

Нет. Распознавание только показывает, что найдено, и не меняет файл. Обезличивание — следующий шаг: заменяет найденные значения и отдаёт файл в исходном формате.

Проверить свой документ

Загрузите файл и посмотрите отчёт: что найдено, где и по каким категориям. Без изменения файла.

Проверить документ

Смотрите также

Честно: распознавание не гарантирует, что найдено всё. Если в документе есть данные, которых нет в списке категорий, детектор их не увидит. Mask Gate не является DLP-системой и не заменяет юридическую оценку соблюдения 152-ФЗ.