nacim/Presidio
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
c1ca861dfd1cdbe9187b91f23d7d27202b3b254e
Presidio/default.yaml
Nacim c1ca861dfd Update default.yaml
2025-06-23 11:06:06 +02:00

251 lines
7.6 KiB
YAML
Raw Blame History

# =====================================================================
# CONFIGURATION PRESIDIO POUR DOCUMENTS FRANÇAIS/BELGES
# =====================================================================
# Configuration du moteur de langage (NLP)
nlp_engine_name: spacy
supported_languages: [en, fr]
models:
- lang_code: en
model_name: en_core_web_lg
- lang_code: fr
model_name: fr_core_news_sm
# Configuration du comportement du moteur NLP
ner_model_configuration:
# Ne plus ignorer ORG. On va gérer les faux positifs d'ORG via l'allow_list, c'est plus précis.
labels_to_ignore:
- MISC
# Seuils de confiance par entité. Augmentés pour réduire les faux positifs.
confidence_threshold:
default: 0.6 # Plus strict que 0.35 par défaut
EMAIL_ADDRESS: 0.8
PHONE_NUMBER: 0.8
PERSON: 0.85 # Très strict pour les noms de personnes
LOCATION: 0.75 # Moins de faux positifs pour les lieux
MONEY: 0.85 # Nouveau type d'entité pour les montants
# Section où vous définissez vos recognizers personnalisés basés sur des regex
# C'est ici que sont déplacées les définitions de 'ad_hoc_recognizers' de route.ts
recognizers:
- name: BelgianNRNRecognizer
entity_name: BE_NATIONAL_REGISTER_NUMBER
supported_language: fr
patterns:
- name: NRN_Pattern
# Regex plus robuste pour le NRN belge (prend en compte différents formats)
regex: "\\b(?:[0-9]{2}(?:0[1-9]|1[0-2])(?:0[1-9]|[12][0-9]|3[01]))-?\\d{3}\\.?\\d{2}\\b"
score: 1.0 # Score très élevé car regex spécifique
- name: BelgianEnterpriseRecognizer
entity_name: BE_ENTERPRISE_NUMBER
supported_language: fr
patterns:
- name: BTW_Pattern
# Regex pour les numéros d'entreprise belges (BE 0XXX.XXX.XXX)
regex: "\\bBE\\s?0\\d{3}[\\.\\s]?\\d{3}[\\.\\s]?\\d{3}\\b"
score: 0.95
- name: IBANRecognizer
entity_name: IBAN
supported_language: fr
patterns:
- name: IBAN_Pattern
# Regex IBAN (plus générique, mais capturera les belges aussi)
regex: "\\b[A-Z]{2}\\d{2}\\s?(?:[A-Z0-9]{4}\\s?){2,7}[A-Z0-9]{1,4}\\b"
score: 0.95
- name: PhoneRecognizer
entity_name: PHONE_NUMBER
supported_language: fr
patterns:
- name: Phone_Pattern
# Regex pour numéros de téléphone belges/français/luxembourgeois
regex: "\\b(?:(?:\\+|00)?(?:32|33|352)|0)\\s?[1-9](?:[\\s.-]?\\d{2}){3,4}\\b"
score: 0.8
- name: EmailRecognizer
entity_name: EMAIL_ADDRESS
supported_language: fr
patterns:
- name: Email_Pattern
# Regex pour les adresses email
regex: "\\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\\.[A-Z|a-z]{2,}\\b"
score: 1.0
- name: MoneyRecognizer # NOUVEAU : Recognizer pour les montants monétaires
entity_name: MONEY
supported_language: fr
patterns:
- name: Money_Pattern
# Regex pour des formats comme EUR 250.000, 250.000 EUR, 250 000€
regex: "(?:EUR|€)\\s*\\d{1,3}(?:[.,\\s]\\d{3})*(?:[.,]\\d{2})?|\\d{1,3}(?:[.,\\s]\\d{3})*(?:[.,]\\d{2})?\\s*(?:EUR|€)"
score: 0.85
# Configuration des détecteurs (Recognizers)
# CECI EST LA CLÉ : vous listez les noms des recognizers que vous avez définis ci-dessus.
# SUPPRIMEZ : - presidio_config.custom_recognizers.custom_recognizers
# AJOUTEZ : Les noms de vos recognizers custom.
recognizer_registry:
- default # Gardez toujours 'default' pour les recognizers intégrés de Presidio
- BelgianNRNRecognizer
- BelgianEnterpriseRecognizer
- IBANRecognizer
- PhoneRecognizer
- EmailRecognizer
- MoneyRecognizer # Active le nouveau recognizer MONEY
# Liste des mots à ignorer (faux positifs courants)
# Important: spécifiez le type d'entité si le mot est souvent mal labellisé comme ce type
allow_list:
# Termes contractuels/juridiques/financiers génériques souvent mal labellisés
- text: Contrat
type: LOCATION # Si 'Contrat' est souvent vu comme une LOCATION
- text: contrat
type: LOCATION
- text: Contrats
type: LOCATION
- text: Document
type: LOCATION
- text: document
type: LOCATION
- text: Société
type: PERSON # Si 'Société' est souvent vu comme une PERSON
- text: Investisseur
type: PERSON
- text: Montant
type: LOCATION # Si 'Montant' est souvent vu comme une LOCATION. Maintenant aussi MONEY sera détecté.
- text: Prêt
type: LOCATION
- text: Intérêt
type: LOCATION
- text: Intérêts
type: LOCATION
- text: Partie
type: LOCATION
- text: Parties
type: PERSON # Si 'Parties' est souvent vu comme une PERSON
- text: Annexe
type: LOCATION
- text: Remboursement
type: LOCATION
- text: Conversion
type: LOCATION
- text: Financement
type: LOCATION
- text: Sortie
type: LOCATION # Important, 'Sortie' était mal labellisé
- text: "Juste Valeur Marchande"
type: PERSON # Était mal labellisé
- text: Échéance
type: LOCATION
- text: Clause
type: LOCATION
- text: Clauses
type: LOCATION
- text: Principe
type: LOCATION
- text: Coûts
type: PERSON # Était mal labellisé
- text: Notifications
type: LOCATION # Était mal labellisé
- text: Article
type: LOCATION
- text: Paragraphe
type: LOCATION
- text: Directeur
type: LOCATION # Ou PERSON, selon le contexte où il est mal labellisé seul
- text: Gérant
type: LOCATION
- text: Président
type: LOCATION
- text: DocuSign # Ajouté pour éviter le faux positif comme PERSON
type: PERSON
- text: SPRL # Société belge
type: ORG # Indique que ce n'est pas une personne
# Termes financiers courants
- text: Euro
type: LOCATION # Si 'Euro' est mal labellisé
- text: EUR
type: LOCATION
- text: Euros
type: LOCATION
- text: Pourcentage
type: LOCATION
- text: Taux
type: LOCATION
- text: Valeur
type: LOCATION
- text: Prix
type: LOCATION
# Termes juridiques
- text: Loi
type: LOCATION
- text: Code
type: LOCATION
- text: Règlement
type: LOCATION
- text: Décret
type: LOCATION
- text: Arrêté
type: LOCATION
# Mois et dates génériques (si mal labellisés)
- text: Janvier
type: LOCATION
- text: Février
type: LOCATION
- text: Mars
type: LOCATION
- text: Avril
type: LOCATION
- text: Mai
type: LOCATION
- text: Juin
type: LOCATION
- text: Juillet
type: LOCATION
- text: Août
type: LOCATION
- text: Septembre
type: LOCATION
- text: Octobre
type: LOCATION
- text: Novembre
type: LOCATION
- text: Décembre
# Configuration des transformations d'anonymisation
anonymizer_config:
default_anonymizers:
PERSON: replace
EMAIL_ADDRESS: replace
PHONE_NUMBER: replace
BE_NATIONAL_REGISTER_NUMBER: replace
BE_ENTERPRISE_NUMBER: replace
FR_SOCIAL_SECURITY_NUMBER: replace
IBAN: replace
BE_BANK_ACCOUNT: replace # Si vous avez BE_BANK_ACCOUNT comme entité
MONEY: replace # Ajoutez cette ligne pour anonymiser la nouvelle entité MONEY
LOCATION: replace # Ajoutez si vous voulez anonymiser les locations détectées
ORG: replace # Ajoutez si vous voulez anonymiser les organisations
# Valeurs de remplacement personnalisées
replacements:
PERSON: "<PERSON>"
EMAIL_ADDRESS: "<EMAIL_ADDRESS>"
PHONE_NUMBER: "<PHONE_NUMBER>"
BE_NATIONAL_REGISTER_NUMBER: "<BE_NATIONAL_REGISTER_NUMBER>"
BE_ENTERPRISE_NUMBER: "<BE_ENTERPRISE_NUMBER>"
FR_SOCIAL_SECURITY_NUMBER: "<FR_SOCIAL_SECURITY_NUMBER>"
IBAN: "<IBAN>"
BE_BANK_ACCOUNT: "<COMPTE_BANCAIRE_BE>"
MONEY: "<MONEY>" # Remplacement pour les montants monétaires
LOCATION: "<LOCATION>" # Remplacement pour les locations
ORG: "<ORGANIZATION>" # Remplacement pour les organisations
Reference in New Issue View Git Blame Copy Permalink