个人信息去标识化
个人信息去标识化是指把姓名、电话号码、居民登记号码等能识别特定个人的信息（PII，个人身份信息）删除或替换为其他值，使人无法知道数据属于谁。这是将数据用于 AI 训练·分析之前的基本保护程序。
工作原理
首先找出数据中个人信息所在的位置。像表格列这样位置固定的信息很容易找到，但在咨询记录、电子邮件等自由文本中，需要用规则（正则表达式）或 AI 模型自动找出姓名、地址、账号等项目。找到的信息按用途处理：把“洪吉童”遮成“***”的掩码，替换成“客户A”之类其他名称的假名化，把“34岁”放宽为“30多岁”的泛化，以及直接删除等。最后检查剩余信息组合后是否还能重新认出个人（再识别风险）。
为什么重要
LLM 可能会原样记住训练数据中的句子，并在回答中输出。如果训练数据中混有客户电话号码，模型就有可能把这个号码告诉无关的人。另外，通过 RAG 接入内部文档或向外部 AI API 发送提示时，个人信息也可能随之外泄。因此，许多国家的个人信息法规要求在分析·利用数据之前采取适当的去标识化措施，这也成为企业引入 AI 时最先遇到的关口。
须知
假名化和匿名化不同。假名化后，只要有单独保管的“对照表”就能找回原来的人，因此很多情况下仍被视为个人信息；匿名化则是指处理到无论用什么方法都无法还原的状态。遮得太多数据就没用了，遮得太少又起不到保护作用，所以需要在可用性和安全性之间取得平衡。自动检测工具也会有遗漏，对重要数据最好同时安排人工抽样审查的流程。
从原始数据到匿名
- 掩码（遮住部分）
- 假名化（对照表单独保管）
- 泛化·删除
- 匿名化
示例
如果一家公司要用客服中心的咨询记录构建咨询摘要 AI，会在用于训练之前，把记录中的客户姓名自动替换为“客户A”，把电话号码和卡号替换为“[电话号码]”“[卡号]”之类的标记。另一种广泛采用的方式是：公司员工向外部聊天机器人提问时，由中间的 LLM网关找出提示中的居民登记号码并遮盖后再发出。