Startseite
Podcasts
Prompt und Antwort Podcast
193 - Dokumente schwärzen

193 - Dokumente schwärzen

Prompt und Antwort vor 1 Monat

0:00

8:30

Ein Klick, und alle persönlichen Daten sind aus dem Dokument
verschwunden, so steht es bei den Anbietern. Wir haben in einem
Projekt Akten aus der Immobilienverwaltung geschwärzt, bevor sie
weitergegeben werden durften, und die kamen nicht als saubere
PDFs, sondern als Fotos aus aufgeklappten Ordnern. Ein
Erfahrungsbericht darüber, was die Werkzeuge gut können, an
welchen ganz normalen Stellen sie nicht anschlagen, und wie
daraus eine Pipeline in mehreren Durchläufen wurde.

Schwärzen sind zwei Aufgaben: finden und entfernen. Warum ein
schwarzes Rechteck über dem Text kein Schwärzen ist

Je Datentyp eine Methode: Muster mit Prüfsumme für IBAN und
E-Mail, Eigennamen-Erkennung für Namen und Adressen, ein
Bildmodell für den Rest. Presidio als Rahmen, GLiNER für eigene
Kategorien

Bei Fotos der Umweg über die Texterkennung: jedes Wort ein
Kästchen, die Fundstelle wird zurück aufs Bild gerechnet

Die Fälle, die durchgerutscht sind: eine E-Mail-Adresse ohne
Punkt vor der Endung, eine IBAN mit Zeilenumbruch in der Fußzeile

Die Pipeline in Zyklen: erst die schnellen Erkenner, dann ein
lokales Bildmodell als Kontrolleur, und alles zurück in den
nächsten Durchlauf. Warum die Treffer vereinigt werden, nicht
geschnitten

Von gefühlt siebzig auf knapp hundert Prozent, und was diese
Zahl wert ist, wenn sie nur aus Stichproben stammt

Zum Nachlesen: Microsoft Presidio:
https://github.com/microsoft/presidio GLiNER,
Eigennamen-Erkennung mit eigenen Kategorien:
https://github.com/urchade/GLiNER PyMuPDF, echtes Schwärzen in
PDFs: https://pymupdf.readthedocs.io/ Desert Ant Labs mit dem
Redact-Modell aus Folge 190: https://desertant.com/de/

Die Stimmen in diesem Podcast sind künstlich erzeugt. Die Inhalte
stammen von uns.