Glossaire

Termes utilisés dans la documentation piighost. Chaque entrée définit le concept par ce qu'il fait. Les noms de classes restent en anglais.

Anonymisation: Suppression des PII sans aucun moyen de les restaurer. Irréversible par définition. Une placeholder factory de caviardage anonymise, puisqu'elle ne garde aucune correspondance vers la valeur.
Cipher: Composant qui chiffre et déchiffre des octets de façon réversible, de sorte qu'un stockage garde du chiffré au lieu du clair. Une fuite du stockage ne donne rien sans la clé, tenue en dehors du stockage. RedisConversationMemory et SqlAlchemyConversationMemory peuvent en utiliser un pour chiffrer les valeurs persistées. AesGcmCipher est le backend AES-GCM fourni.
Conversation (thread): Suite de messages identifiée par un thread_id. La mémoire est isolée par conversation, donc deux conversations parallèles ne partagent jamais leurs données confidentielles. Un placeholder reste stable sur tous les messages d'une même conversation.
Dé-identification: Remplacement des données confidentielles par des placeholders tout en gardant la correspondance entre chaque valeur et son placeholder, de sorte que l'original peut être restauré ensuite. Le pipeline piighost par défaut dé-identifie. Au sens du RGPD c'est de la pseudonymisation, pas de l'anonymisation.
Détection: Une occurrence d'une valeur repérée par un détecteur, c'est-à-dire un Span, le texte apparié, un label et une confiance dans l'intervalle 0 à 1. Détecter Patrick comme PERSON en (0, 7) avec une confiance de 0.95 est une Detection.
Détecteur: Composant qui trouve les données confidentielles dans un texte et retourne des détections. Les détecteurs implémentent le protocole AnyDetector et sont interchangeables. Les trois familles sont regex, NER et LLM, chacune sous son entrée.
Détecteur LLM: Détecteur qui demande à un grand modèle de langage de retourner les valeurs trouvées en sortie structurée. Plus lent et moins déterministe que le regex ou le NER, mais capable de raisonner sur le contexte. LLMDetector.
Détecteur NER: Named Entity Recognition, reconnaissance d'entités nommées. Modèle d'IA qui classe les mots d'un texte dans des catégories décidées à l'avance, comme personne, lieu ou organisation. Fonctionne sur le texte libre là où un motif échoue. Gliner2Detector, Gliner2PiiDetector, SpacyDetector, TransformersDetector, PresidioDetector, et BridgeDetector, qui attend un modèle exécuté ailleurs, par exemple en JavaScript dans le navigateur.
Détecteur regex: Détecteur qui reconnaît des motifs fixes, c'est-à-dire des chaînes de caractères qui suivent une structure connue comme un IBAN ou un numéro de téléphone. Efficace sur les formats structurés, inutilisable sur du texte libre comme un prénom ou une date écrite. RegexDetector.
Données confidentielles: Tout ce que piighost protège, c'est-à-dire les données personnelles (PII) et les secrets comme les clés d'API. Chaque élément détecté est une valeur, remplacée par un placeholder dans le texte dé-identifié.
Entité: Groupe de détections qui référent à la même valeur. Chaque occurrence de la valeur est une détection. Le groupe partage un placeholder, qui se restaure en une seule valeur. Différent d'une détection, qui est une occurrence unique. Entity.
Garde-fou: Composant qui revérifie le texte dé-identifié à la recherche de données confidentielles que le pipeline a manquées. Il tourne après le remplacement et lève une erreur si une valeur résiduelle demeure. Un garde-fou peut relancer un détecteur (DetectorGuardRail), classer la sortie avec un modèle GLiNER2 local (Gliner2GuardRail), interroger un LLM (LLMGuardRail) ou l'API de modération de Mistral (ModerationGuardRail).
Linker: Composant qui regroupe les détections en entités. Il trouve les occurrences qui référent à la même valeur, afin qu'elles partagent un placeholder. Lier Patrick en (0, 7) et patrick en (34, 41) donne une entité. ExactEntityLinker.
Mémoire de conversation: Stockage qui accumule les entités d'une conversation au fil des messages, de sorte qu'une valeur vue dans un message garde son placeholder dans le suivant. InMemoryConversationMemory la tient dans le processus. RedisConversationMemory la persiste dans Redis, et SqlAlchemyConversationMemory dans une table SQL. Ces deux backends peuvent chiffrer les valeurs avec un cipher et hacher les clés.
PII: Personally Identifiable Information, en français donnée à caractère personnel. C'est la partie données personnelles des données confidentielles. Toute valeur qui peut identifier une personne, c'est-à-dire nom, adresse, numéro de téléphone, email, lieu, organisation, numéro de compte. piighost trouve et remplace les PII pour qu'un LLM en aval ne voie jamais la valeur brute.
Placeholder: Jeton qui remplace une valeur dans le texte dé-identifié, par exemple <<PERSON:1>> ou <<EMAIL:1>>. L'apparence d'un placeholder est décidée par une placeholder factory.
Placeholder factory: Composant qui produit les placeholders. Il décide la forme du jeton et ce que le jeton préserve, c'est-à-dire un label, une identité stable, les deux ou rien. Les factories fournies sont RedactPlaceholderFactory, LabelPlaceholderFactory, LabelCounterPlaceholderFactory, LabelHashPlaceholderFactory et MaskPlaceholderFactory.
Poivre: Secret qui sert de clé à un hasher, lu depuis la variable d'environnement PIIGHOST_HASH_PEPPER. Le poivre est obligatoire, parce qu'une valeur à faible entropie hachée sans secret reste attaquable par force brute. Utilisé par Sha256Hasher et Argon2Hasher.
Recognizer: Grammaire de jetons que le middleware utilise pour retrouver les placeholders d'un pipeline dans une réponse LLM, sans passer par l'anonymiseur. Un pipeline l'expose dans son attribut recognizer, qui vaut un BaseDelimitedPlaceholderFactory ou None.
Résolveur d'entités: Composant qui réconcilie les entités en conflit, c'est-à-dire des entités qui partagent une détection ou dont les valeurs sont proches. MergeEntityResolver fusionne les entités qui partagent une détection, FuzzyEntityResolver fusionne les valeurs presque identiques. SeparateEntityResolver garde les entités séparées. Il donne chaque détection partagée à la plus grande entité qui la contient et la retire des autres.
Secret: Identifiant d'accès qui ne doit jamais atteindre un modèle, comme une clé d'API, un jeton d'accès, une clé privée ou une chaîne de connexion. Les secrets sont l'autre partie des données confidentielles. Ils sont détectés par les groupes du catalogue piighost/secrets et piighost/secrets-extended, tirés par exemple avec catalogs = ["catalog:piighost/secrets"]. Les autres groupes du catalogue, piighost/generic et les groupes régionaux, ne contiennent aucun motif de secret. Gliner2PiiDetector demande aussi à son modèle les clés d'API et les mots de passe.
Span: Intervalle de caractères semi-ouvert [start, end) dans un texte, calqué sur la sémantique du slice Python. Chaque détection porte un Span qui marque où se trouve la valeur. Span.
Tag de préservation de placeholder: Type fantôme (un type qui ne sert qu'au vérificateur de types) posé sur une placeholder factory, qui énonce ce que ses jetons préservent. Les tags concrets sont PreservesNothing, PreservesLabel, PreservesShape, PreservesIdentityOnly, PreservesLabeledIdentityOpaque et PreservesLabeledIdentityHashed. PreservesIdentity, PreservesRecognizableIdentity et PreservesLabeledIdentity sont des tags abstraits qui les regroupent. Le middleware exige PreservesRecognizableIdentity pour pouvoir restaurer les valeurs. Il rejette une factory qui ne fournit pas ce tag dès la vérification de types.
thread_id: Chaîne qui identifie une conversation. Le pipeline de conversation et le middleware s'en servent pour cadrer la mémoire et router chaque message vers la bonne conversation.