【要約】文字起こしテキストの個人情報マスキング、Presidio で消せるか試してみた [Qiita_Trend] | Summary by TechDistill
> Source: Qiita_Trend
Execute Primary Source
// Problem
開発者が音声ログの個人情報保護を検討する際、生成AIの利用コストが課題となる。本検証では、既存フレームワークによる代替可能性を調査し、以下の課題を特定した。
- ・音声認識によるテキストの表記崩れ。
- ・正規表現やLuhnチェックの機能不全。
- ・誤検出によるノイズの混入。
// Approach
検証者は、Microsoft Presidioを用いて、音声認識を経た不完全なテキストのマスキング精度を評価した。以下のステップで検証を実施した。
- ・多様なPIIを含む台本の作成。
- ・音声入力による文字起こし（ノイズの生成）。
- ・spaCyを用いたNLPエンジンによる解析。
- ・カスタムRecognizerによる特定項目の定義。
// Result
検証の結果、人名や住所の一部は検出できたが、多くの重要項目で失敗した。具体的な結果は以下の通りである。
- ・電話番号、メール、カード番号、マイナンバーの検出失敗。
- ・表記崩れによる正規表現の不一致。
- ・誤検出（DATE_TIME等）の発生。
- ・結論として、単純なフレームワーク利用では不十分である。
Senior Engineer Insight
> 実戦投入には、音声認識の「揺れ」を吸収する層が不可欠である。Presidio単体では、文字起こし特有のノイズに脆弱である。コストと精度のトレードオフを考慮し、正規化処理の強化や、軽量なLLMによる補完を検討すべきだ。