Masqueur de PII pour Prompts IA｜Anonymisation des données locales

Cet outil est conçu pour les développeurs et professionnels de l'IA souhaitant purger leurs prompts de toute information personnelle identifiable (PII) avant de les soumettre à des modèles de langage (LLM) comme ChatGPT ou Claude. Les données ne sont jamais envoyées à un serveur externe, l'intégralité du traitement s'exécute localement dans votre navigateur.

💡 Aperçu de l'outil

Ce masqueur sécurise vos processus d'ingénierie de prompt en automatisant l'obfuscation des données confidentielles tout en conservant le contexte sémantique pour l'intelligence artificielle.

• Détection dynamique par Regex Identifie instantanément les formats standards de données sensibles (cartes bancaires de 13 à 16 chiffres, adresses IPv4, e-mails, numéros de téléphone, URL et identifiants continus à 12 chiffres) pour les substituer par des balises structurées (ex: [EMAIL_1], [IP_1]).
• Création de table de correspondance (Mapping) Le système génère simultanément le texte propre et un dictionnaire de correspondances. Cela permet de désanonymiser la réponse du LLM ultérieurement dans votre propre pipeline applicatif de façon déterministe.
• Sécurité et traitement 100% local Afin de répondre aux exigences strictes de conformité, l'anonymisation s'effectue entièrement en mémoire côté client via JavaScript. Vos données ne transitent par aucun réseau.
• Gestion intelligente des occurrences multiples Si une même donnée (comme une adresse e-mail spécifique) apparaît plusieurs fois dans le même prompt, elle recevra le même jeton d'anonymisation, préservant ainsi la logique relationnelle pour le LLM.

🧐 Foire Aux Questions (FAQ)

Q. Comment l'algorithme traite-t-il les numéros de téléphone ?

A. Le script intègre un motif de détection ciblant des numéros composés de chiffres, de tirets et de parenthèses (ex: 0X-XXXX-XXXX). Bien qu'il reconnaisse de nombreux formats courants, il est optimisé pour les structures de type asiatique/national. Il est conseillé de vérifier manuellement la prise en compte des formats internationaux très complexes (avec indicatifs +33, espaces inhabituels) s'ils ne respectent pas la logique de la Regex implémentée.

Q. Les données anonymisées sont-elles récupérables ou déchiffrables ?

A. Non, car l'outil n'utilise pas d'algorithme de chiffrement (cryptographie), mais un système de substitution par jetons (tokenisation). L'unique moyen de relier un jeton (ex: [CARD_1]) à sa valeur d'origine est d'utiliser la table de correspondance générée dans la deuxième zone de texte. Cette méthode est extrêmement sûre tant que vous gardez cette table secrète de votre côté.

📚 Le saviez-vous ? Le "My Number" japonais et le RGPD

Dans la logique de détection de l'outil, vous trouverez une règle nommée MYNUMBER capturant les séquences de 12 chiffres consécutifs. Il s'agit du numéro national d'identification individuel du Japon ("My Number"), unifiant les données fiscales et de sécurité sociale.

Il est l'équivalent structurel et légal du Numéro de Sécurité Sociale (NIR) en France, du numéro de registre national en Belgique, ou du SSN américain. Soumettre ce type d'identifiant unique à une API d'IA basée dans le cloud représente un risque majeur d'infraction au Règlement Général sur la Protection des Données (RGPD), car il permet d'identifier formellement une personne physique.

Que l'on manipule des identifiants japonais à 12 chiffres ou des NIR français à 15 chiffres, masquer ces données structurelles en amont est le fondement du principe de Privacy by Design. Utiliser un outil de masquage local vous permet de tirer pleinement parti des capacités d'analyse des modèles de langage tout en garantissant l'étanchéité de votre système d'information.