Como processar documentos com IA sem expor dados pessoais não é a mesma pergunta que se o material pode sair da instituição. Que o fac-símile não viaje para um modelo de terceiros é soberania do documento; está em Catalogar com IA sem que o material saia da instituição. Este texto trata do outro: quando algo sai, o que acontece com os nomes, correios e identificadores de pessoas, e onde essa proteção não chega.
Um processo de pessoal, uma ficha clínica, um contrato com montantes e assinaturas, a correspondência de um fundo privado: todos incluem dados que a instituição tem a obrigação de proteger. Descrever esse material com um modelo de linguagem de fronteira costuma significar enviar texto a um serviço na nuvem. A nuvem rende melhor em muitos casos difíceis; enviar dados pessoais a um terceiro é o que o quadro de proteção procura evitar.
Local ou híbrido
O Collect trabalha com dois modos. A diferença é o que sai do servidor da instituição.
- Local. O processamento ocorre por completo no servidor. Não sai nada. É o modo para documentos em que o risco de um terceiro ver o conteúdo é inaceitável: processos judiciais, dados médicos, documentos classificados. A qualidade depende do modelo local dessa instalação.
- Híbrido. Um modelo local faz uma primeira leitura. Se for preciso refinar, para a nuvem vai uma versão em que os identificadores diretos — nomes, correios, telefones, identificadores documentais, montantes— já se substituíram por marcadores. Ao voltar, restauram-se. Cobre a maioria dos acervos institucionais, em que os documentos mencionam funcionários, organizações e datas.
A escolha é de quem conhece o material. Um mesmo acervo pode ter séries que admitem o híbrido e outras que exigem o local. Convém decidí-lo por tipo de documento antes de configurar, não depois.
Em algumas instalações a imagem do documento lê-se no servidor e não sai. O que pode ir para a nuvem é o texto de catálogo já extraído, com os identificadores substituídos. Se tampouco pode sair o registo, o processamento fica em local.
O que se substitui
Substituem-se identificadores diretos: nomes de pessoa, correios, telefones, contas de redes, montantes e identificadores documentais. Um nome de instituição pública numa descrição arquivística não se trata como dado pessoal: ocultá-lo não protege ninguém e dificulta catalogar.
A instituição decide que categorias aplicar. O que se envia é o texto já substituído, não o dado original. Quem tem de prestar contas do tratamento pode saber, de um documento concreto, o que saiu e o que não.
Limites
A anonimização protege identificadores diretos. Não protege contra a reidentificação contextual. Um texto longo, ainda sem nomes, pode reunir data, cargo, lugar e trâmite de forma que alguém com conhecimento do contexto deduza de quem se fala.
Tampouco é exaustiva: um identificador pouco habitual, um nome que não se reconheceu como pessoa, ou um dado pessoal dito de modo indireto podem passar. Reduz a exposição; não a elimina.
Para o material em que a reidentificação seria inaceitável, a resposta não é afinar a técnica, mas ficar em local e não enviar nada. O híbrido cobre a maioria dos acervos institucionais; não cobre todos.
A confiança num catálogo feito com IA —proveniência, avaliação, marca do inferido— está em Por que confiar em um catálogo feito com IA. Este texto cobre o que sai do servidor quando há dados pessoais.
Para continuar a conversa
Que material admite sair com os seus dados substituídos e qual deve ficar dentro é decisão da instituição, e depende de cada série mais do que de uma capacidade técnica. Se estás a avaliar um acervo com dados pessoais e queres rever que modo corresponde a cada parte, escreve-nos para info@janium.com.