Presidio

En el Radar compartido: Trial (valoración de la edición aportada).

Cómo funciona

Combina reconocedores lingüísticos, patrones y reglas personalizadas. Un paso de análisis identifica entidades y otro aplica sustitución, enmascaramiento u otras transformaciones.

Ejemplo de uso

Detectar nombres y números de documento en una conversación, reemplazarlos por marcadores y revisar una muestra. Mantener cualquier tabla de reidentificación en un sistema separado y protegido.

Configuración para español

Por defecto Presidio usa un modelo de spaCy en inglés. Para textos en español:

from presidio_analyzer import AnalyzerEngine, Pattern, PatternRecognizer
from presidio_analyzer.nlp_engine import NlpEngineProvider

nlp = NlpEngineProvider(nlp_configuration={
    "nlp_engine_name": "spacy",
    "models": [{"lang_code": "es", "model_name": "es_core_news_lg"}],
}).create_engine()

analyzer = AnalyzerEngine(nlp_engine=nlp, supported_languages=["es"])

Reconocedor propio: cédula colombiana

cedula = PatternRecognizer(
    supported_entity="CO_CEDULA",
    supported_language="es",
    patterns=[Pattern(name="cedula", regex=r"\b\d{1,3}(\.?\d{3}){2}\b|\b\d{6,10}\b", score=0.3)],
    context=["cédula", "cedula", "c.c.", "cc", "documento", "identificación"],
)
analyzer.registry.add_recognizer(cedula)

texto = "Hola, soy María Pérez, mi cédula es 1.020.345.678 y mi correo maria@example.com"
resultados = analyzer.analyze(text=texto, language="es")

La puntuación baja del patrón sube si aparecen palabras de contexto cercanas; así se reducen falsos positivos con otros números.

Anonimizar

from presidio_anonymizer import AnonymizerEngine
from presidio_anonymizer.entities import OperatorConfig

anonimizado = AnonymizerEngine().anonymize(
    text=texto,
    analyzer_results=resultados,
    operators={
        "PERSON": OperatorConfig("replace", {"new_value": "<PERSONA>"}),
        "CO_CEDULA": OperatorConfig("mask", {"masking_char": "*", "chars_to_mask": 7, "from_end": False}),
        "EMAIL_ADDRESS": OperatorConfig("hash", {"hash_type": "sha256"}),
        "DEFAULT": OperatorConfig("redact"),
    },
)
print(anonimizado.text)

Operador	Efecto	Reversible
replace	Sustituye por un marcador	No
redact	Elimina el valor	No
mask	Oculta parte de los caracteres	No
hash	Huella consistente (permite unir registros)	No
encrypt	Cifrado con clave	Sí, con decrypt
custom	Función propia (por ejemplo, datos ficticios coherentes)	Depende

Casos de uso

• Antes de enviar texto a un LLM externo (soporte, resúmenes de llamadas).
• Logs y trazas de aplicaciones de IA (Langfuse, Datadog LLM Observability).
• Datos de prueba a partir de producción (synthetic data).
• Imágenes con el módulo de redacción de imágenes (documentos escaneados) y datos estructurados (DataFrames).

Se puede desplegar como servicios REST (analyzer y anonymizer) en contenedores, de forma que todas las aplicaciones usen las mismas reglas.

Medir la detección

Etiqueta una muestra de textos reales y mide la exhaustividad por entidad. En español, nombres propios poco comunes y direcciones suelen ser los más difíciles; combina el modelo con listas, patrones y, si hace falta, un modelo NER ajustado al dominio.

Criterios de implementación

Evaluar idioma y entidades del dominio. Evitar registrar texto original en pasos intermedios y añadir controles adicionales para datos especialmente sensibles.