Presidio est une bibliothèque et un ensemble de services pour trouver des données personnelles dans du texte, des images et des tableaux, puis les masquer, les chiffrer ou les remplacer. Il fonctionne en local, sous licence MIT, et n'envoie rien à l'extérieur.
L'usage typique ressemble à ceci : vous détenez des tickets de clients, des transcriptions d'appels ou des logs d'application, vous voulez les analyser ou les envoyer à un modèle de langage, mais vous ne pouvez pas livrer de noms, de numéros de carte ni d'adresses. Presidio se place à cet endroit comme un filtre.
Première chose à savoir : le projet a changé de propriétaire
Le nom « Microsoft Presidio » est désormais trompeur, et c'est le fait le plus important avant de commencer.
Le projet passe de Microsoft à une organisation indépendante, gouvernée par la communauté, appelée Data Privacy Stack. Le dépôt se trouve maintenant à data-privacy-stack/presidio, et le comité de pilotage technique comprend des personnes extérieures à Microsoft.
Ce qui reste inchangé : la licence MIT, les fonctionnalités existantes, les interfaces de programmation et les intégrations avec les services Azure. Le code qui fonctionne aujourd'hui continuera de fonctionner.
Ce qui demande votre attention : les images de conteneurs. Les nouvelles versions sont publiées dans le registre GitHub sous ghcr.io/data-privacy-stack/presidio-*. Les anciennes adresses mcr.microsoft.com restent disponibles mais ont cessé de pointer vers la dernière version, donc un tag latest à cet endroit vous fige sur une ancienne version sans aucun avertissement.
C'est exactement le genre de changement discret qu'on remarque six mois plus tard, quand on s'aperçoit que les recognisers ajoutés entre-temps manquent. Si la configuration de votre déploiement contient une adresse mcr.microsoft.com, changez-la dès maintenant.
De quoi Presidio est fait
Le projet se divise en plusieurs éléments utilisables séparément, et cette séparation a une utilité pratique.
L'analyseur trouve dans le texte des fragments qui ressemblent à des données personnelles et attribue à chacun un type et un score de confiance. Il renvoie des positions dans le texte, pas un texte modifié.
L'anonymiseur prend le résultat de l'analyse et effectue dessus une opération : remplacer, masquer, hacher, chiffrer ou supprimer. Séparer ces deux étapes permet d'inspecter ce qui a été trouvé avant que quoi que ce soit ne change.
Des composants distincts traitent les images, où le texte passe d'abord par la reconnaissance de caractères et où les fragments détectés sont recouverts, et les données structurées, où l'opération s'applique à des colonnes entières plutôt qu'à des occurrences individuelles.
Chacun de ces éléments fonctionne soit comme une bibliothèque dans un processus Python, soit comme un service dans un conteneur. La version bibliothèque est plus rapide, puisqu'il n'y a pas de saut réseau ; la version service est plus commode quand le reste de votre application est écrit dans un autre langage.
Installation et premier lancement
pip install presidio-analyzer presidio-anonymizer
python -m spacy download en_core_web_lgVous téléchargez le modèle de langue séparément, et c'est l'étape la plus souvent oubliée. Sans lui, la détection des noms et des organisations ne fonctionnera pas, puisqu'elle repose sur un modèle de reconnaissance d'entités nommées plutôt que sur des expressions régulières.
from presidio_analyzer import AnalyzerEngine
from presidio_anonymizer import AnonymizerEngine
analyzer = AnalyzerEngine()
anonymizer = AnonymizerEngine()
text = "Customer contact: anna.smith@company.com, phone 555 234 567."
results = analyzer.analyze(text=text, language="en")
for r in results:
print(r.entity_type, r.start, r.end, r.score)
print(anonymizer.anonymize(text=text, analyzer_results=results).text)La sortie ressemble à peu près à ceci :
EMAIL_ADDRESS 18 40 1.0
PHONE_NUMBER 48 59 0.75
Customer contact: <EMAIL_ADDRESS>, phone <PHONE_NUMBER>.Remarquez les scores de confiance. L'adresse email obtient un un, puisqu'elle a passé la validation du format. Le numéro de téléphone obtient 0,75, car une suite de chiffres de cette forme est parfois un numéro de facture ou un identifiant de commande. Ce chiffre est votre principal réglage : le seuil de coupure décide de l'équilibre entre des données qui passent à travers et un texte mutilé au point d'être inutilisable.
Langues et configuration par défaut
La configuration par défaut est l'anglais, et c'est la source de la plupart des déceptions au premier lancement sur du texte non anglais.
Les recognisers se répartissent en deux groupes. Les universels, fondés sur des motifs et des sommes de contrôle, fonctionnent quelle que soit la langue : adresse email, numéro de carte, adresse IP, adresse de portefeuille crypto. Ceux qui sont propres à une langue et à un pays exigent le bon modèle et la bonne configuration : noms, adresses, identifiants nationaux.
L'ensemble des pays s'enrichit à chaque version, mais de façon inégale. Des recognisers prêts à l'emploi existent aujourd'hui pour les États-Unis, le Royaume-Uni, l'Espagne, l'Italie, la Pologne, Singapour, l'Australie, l'Inde, la Finlande, la Corée, le Nigeria, les Philippines, le Canada, la Suède, l'Afrique du Sud, la Thaïlande, la Turquie et l'Allemagne, sauf que le nombre de types par pays va d'un à bien plus d'une douzaine.
La Pologne, par exemple, en a exactement un : PL_PESEL, vérifié par un motif, les mots environnants et une somme de contrôle. Ce recogniser est lié à la langue polonaise, donc il ne se manifeste que lorsque vous lancez l'analyse avec language="pl" et un modèle polonais chargé, pas dans la configuration anglaise par défaut. De nombreux autres identifiants nationaux n'ont aucun recogniser prêt à l'emploi, donc vous les écrivez vous-même, comme expliqué plus bas.
Un filtre par pays sur les recognisers prédéfinis est aussi arrivé. C'est un ajout pratique, car charger des dizaines de recognisers du monde entier dans un système qui sert un seul marché augmente les faux positifs et ralentit l'analyse sans aucun gain.
Un recogniser personnalisé
C'est là que Presidio se rend utile sur un projet d'entreprise, car les types par défaut ne couvrent jamais vos données.
from presidio_analyzer import Pattern, PatternRecognizer
national_id = PatternRecognizer(
supported_entity="NATIONAL_ID",
patterns=[Pattern(name="national_id", regex=r"\b\d{11}\b", score=0.4)],
context=["national id", "identity number"],
)
analyzer.registry.add_recognizer(national_id)Deux choses dans ce code comptent plus que l'expression régulière elle-même.
Le score de départ de 0,4 est volontairement bas, car onze chiffres, c'est aussi un numéro de téléphone avec indicatif ou un identifiant dans un système d'entrepôt. La liste context relève ce score quand un mot voisin correspond. C'est l'amélioration par le contexte, et c'est ce qui distingue Presidio d'une simple recherche par expression régulière.
Pour les numéros qui portent une somme de contrôle, et la plupart des identifiants nationaux en ont une, il vaut la peine d'aller plus loin et d'écrire une classe avec une méthode de validation. Une somme de contrôle correcte porte le score à un, une somme erronée le fait tomber à zéro, et les faux positifs deviennent pratiquement nuls. Le même mécanisme couvre les numéros de carte, où la somme de contrôle de Luhn est vérifiée, et les recognisers d'identifiants nationaux intégrés sont construits de la même façon, donc leur code source sert aussi de modèle à copier.
Les opérations d'anonymisation et le choix de la bonne
| Opération | Ce qu'elle fait | Réversible | À utiliser quand |
|---|---|---|---|
| Remplacer | Insère une étiquette de type | Non | Le texte part vers un modèle de langage |
| Masquer | Laisse les derniers caractères | Non | Une interface d'agent de support |
| Hacher | Une empreinte cryptographique | Non | Compter des personnes uniques |
| Chiffrer | Chiffrement symétrique avec une clé | Oui | L'original doit pouvoir être retrouvé |
| Supprimer | Découpe le fragment | Non | Publier un jeu de données |
Le choix entre hachage et chiffrement se ramène à une question : quelqu'un aura-t-il un jour besoin de retrouver la valeur d'origine. Si oui, un hachage est une impasse et le chiffrement est nécessaire, avec des précautions autour de la clé, car sa fuite annule toute la protection.
Notez aussi qu'un hachage n'est pas une anonymisation au sens de la réglementation sur la vie privée quand l'espace des valeurs possibles est petit. Un numéro de téléphone haché peut être retrouvé en calculant les empreintes de tous les nombres à neuf chiffres, ce qui prend quelques minutes sur un ordinateur ordinaire. Le salage aide, à condition que le sel ne soit pas rangé à côté des données.
Images et données tabulaires
Le texte est le cas le plus courant, mais les deux autres suivent leurs propres règles, qu'il vaut mieux connaître avant de découvrir qu'une fuite a emprunté un chemin auquel personne n'avait pensé.
Pour les images, le pipeline fonctionne ainsi : la reconnaissance de caractères extrait le texte avec ses positions, l'analyseur évalue ce texte, et les rectangles détectés sont recouverts. L'efficacité repose donc surtout sur la qualité de la reconnaissance de caractères plutôt que sur Presidio lui-même. Un document photographié de travers, un scan de basse résolution ou une écriture manuscrite donnent un texte avec des fautes qu'aucun recogniser ne reconnaîtra.
La conséquence pratique est que, pour les images, le seuil de confiance mérite d'être abaissé davantage que pour le texte, et que le résultat mérite quand même une relecture. Mieux vaut recouvrir deux rectangles de trop que laisser visible un numéro de carte d'identité.
Les données structurées sont une autre histoire, car la décision s'y prend au niveau de la colonne plutôt que par cellule. Une colonne nommée email contient presque certainement des adresses, et analyser chaque ligne séparément n'a pas de sens. Presidio peut déduire le type d'une colonne à partir d'un échantillon de valeurs puis appliquer une seule opération à l'ensemble, ce qui, sur des millions de lignes, fait la différence entre des minutes et des heures.
La réserve concerne les colonnes de texte libre, par exemple des notes du support client. La déduction à partir de l'en-tête échoue là et vous retombez sur une analyse cellule par cellule, en acceptant que ce soit la partie la plus lente de tout le travail. Parallélisez-la alors et mesurez sur un échantillon avant de la lancer sur le jeu complet.
Presidio face aux alternatives
| Option | Comment elle fonctionne | Coût | À choisir quand |
|---|---|---|---|
| Presidio | En local, bibliothèque ou conteneur | Gratuit, licence MIT | Les données ne peuvent pas quitter votre infrastructure |
| Services cloud de fournisseurs | Un appel à une interface externe | Par millier de caractères | Faible volume, pas d'équipe pour le maintenir |
| Un modèle de langage pour la détection | Un prompt envoyé à un modèle | Par token | Données inhabituelles sans motif clair |
| Vos propres expressions régulières | Du code dans le projet | Temps de développeur | Un seul format bien défini |
La troisième ligne mérite une considération honnête, car elle est tentante. Un modèle de langage traite des données qu'aucun motif ne peut décrire, par exemple une description médicale qui permet d'identifier une personne. Le prix est un coût par document, de la latence et aucune répétabilité : le même texte peut produire des résultats différents. Pour des millions d'enregistrements, cela ne passe pas à l'échelle.
L'organisation sensée en pratique est Presidio en première couche pour tout ce qui a un motif, et un modèle de langage seulement pour le reste. Un modèle appliqué à un pour cent des documents coûte un pour cent d'un modèle appliqué à tous.
Presidio devant un modèle de langage
L'usage le plus courant aujourd'hui est un filtre entre les données de l'entreprise et un modèle externe.
Le montage est simple : avant d'envoyer un prompt, vous le faites passer par l'analyseur et l'anonymiseur, vous envoyez la version dépouillée des données personnelles, et vous remettez les valeurs d'origine dans la réponse. Cette dernière étape exige un chiffrement ou votre propre table de remplacement, car la simple substitution d'étiquettes est irréversible.
Cette couche résout un problème différent de celui de mécanismes comme Guardrails AI ou NeMo Guardrails. Ceux-ci surveillent ce que le modèle répond. Presidio surveille ce que le modèle a le droit de voir. Un déploiement sérieux a besoin des deux, car un modèle peut tout à fait révéler des données reçues plus tôt dans un autre contexte.
Construire une telle chaîne dans LangChain dispose d'une intégration toute prête, même si votre propre enveloppe autour de deux appels de fonction n'est pas plus difficile et donne un contrôle total sur ce qui sort exactement du bâtiment.
Un piège ici n'est pas évident. L'anonymisation change la longueur du texte, donc si le même flux calcule des positions de caractères, par exemple pour surligner des fragments dans une interface, elles cessent de correspondre ensuite. Conservez les décalages avec les résultats de l'analyse.
Erreurs courantes
La première est de se fier au seuil de confiance par défaut. La valeur par défaut est un compromis réglé pour le texte anglais et, sur vos données, elle devra presque certainement être déplacée dans un sens ou dans l'autre.
La deuxième est l'absence de modèle de langue. Sans modèle de reconnaissance d'entités nommées téléchargé, les noms et les organisations passent sans être détectés, et la bibliothèque ne le signale pas comme une erreur.
La troisième est de traiter le résultat comme certain. Presidio est un outil statistique et laisse passer certaines données, surtout quand elles sont écrites de façon inhabituelle, avec des fautes ou dans un format étranger. Un jeu de données destiné à la publication demande une relecture humaine.
La quatrième est de hacher là où une pseudonymisation réversible était nécessaire. Le découvrir après la suppression des originaux, c'est perdre les données.
La cinquième est de laisser l'ancienne adresse du registre de conteneurs. Le tag latest sur mcr.microsoft.com ne pointe plus vers la dernière version, donc un déploiement reste discrètement sur une ancienne version.
La sixième est d'anonymiser le texte en oubliant les métadonnées. Un nom retiré du corps d'un document mais laissé dans le nom du fichier, dans les propriétés du fichier ou dans un chemin d'un log n'a pas été retiré.
FAQ
Presidio est-il gratuit ?
Oui, sous licence MIT, sans frais ni limite de volume. Le coût est le calcul de votre côté plus le temps de réglage des recognisers, car la configuration par défaut convient rarement à un jeu de données précis.
Presidio gère-t-il d'autres langues que l'anglais ?
En partie. Les recognisers fondés sur des motifs, comme l'adresse email ou le numéro de carte, fonctionnent quelle que soit la langue. La détection des noms exige le modèle spaCy correspondant. Dix-huit pays ont des recognisers prédéfinis, mais chacun ne se charge que lorsque l'analyse est réglée sur la langue de ce pays, et les identifiants hors de cet ensemble doivent être ajoutés comme recognisers personnalisés.
Presidio envoie-t-il des données quelque part ?
Non. Toute l'analyse se fait en local, dans votre processus ou votre conteneur, et c'est la principale raison pour laquelle on le choisit plutôt qu'un service cloud. L'exception est quand vous configurez délibérément un modèle externe comme moteur de détection.
Presidio suffit-il pour être conforme à la réglementation sur la vie privée ?
Pas à lui seul. C'est un outil technique, et la conformité dépend de la base légale du traitement, de la conservation, du contrôle d'accès et de tout le reste. Il aide en revanche pour la pseudonymisation, que la réglementation cite comme mesure de réduction des risques.
En quoi l'anonymisation diffère-t-elle de la pseudonymisation ?
L'anonymisation est irréversible, et ensuite les données cessent d'être des données personnelles. La pseudonymisation remplace les valeurs par des substituts mais permet de les retrouver avec une clé, donc les données restent des données protégées. Presidio fait les deux, selon l'opération que vous choisissez.
La documentation se trouve sur le site du projet, et le code et les versions dans le dépôt GitHub.