Полный список, а не цифра. Ниже — каждый тип данных, который движок распознаёт сегодня, чем он подтверждается, и отдельным разделом — то, что он не находит. Второй раздел важнее первого: система распознавания без списка пропусков ничем не отличается от обещания.
«Чем держится» — это то, что отделяет настоящее значение от похожего на него номера заказа. Контрольная сумма отвергает выдуманный номер; контекстный фильтр требует, чтобы рядом стояло слово, объясняющее, что это за число.
Список честный и открытый. Если нужного вам типа здесь нет — отметьте его в конфигураторе, это меняет очередь работ: мы делаем то, за что платят, а не то, что красивее выглядит в таблице.
URL, имя пользователя, пароль, токены и ключи API мировые решения относят к персональным данным и находят. Мы — пока нет. Для агентских сценариев это заметный пропуск: ключ, случайно попавший в переписку, уйдёт в модель как есть.
Входят в набор, который поддерживают практически все. У VIN есть контрольная сумма, и он ложится в тот же механизм, что и карта.
Номер карты мы находим и проверяем по контрольной сумме, а сопутствующие поля — нет. Для международных платежей это существенно.
Двадцатизначный счёт и карту находим, эти — нет. Для банка и МФО это не мелочь: номер договора и сумма задолженности идентифицируют клиента не хуже фамилии.
Закон «О связи» прямо защищает «идентификатор пользовательского оборудования» и сведения о соединениях. Мы этих типов не находим. У IMEI есть контрольная сумма — работа известного объёма.
Мы находим медицинские термины по словарю — это не то же самое, что разбор клинического текста. Диагноз, схема лечения, код МКБ и номер медицинской карты пока не распознаются как отдельные типы, и это направление в работе. Срока мы здесь не называем намеренно: специальная категория по статье 10 закона требует не словаря, а уровня защищённости, и назвать дату раньше, чем он готов, значило бы взять деньги и подвести.
Мы сверились с документацией и исходным кодом девяти мировых решений: Microsoft Presidio, Google Cloud DLP, AWS Comprehend, AWS Macie, Nightfall, Skyflow, Private AI, Protecto, Tonic Textual.
Ни одно из девяти не проверяет контрольную сумму ИНН или СНИЛС. У Google Cloud DLP на всю Россию один тип — номер паспорта, и тот без контекстной логики. Для сравнения: у Испании семь типов, у Кореи шесть, у Германии тринадцать.
При этом русский язык понимают двое из девяти, и мы не утверждаем обратного. Разница не в языке — она в разборе российских документов и в том, что происходит на обратном пути, когда инструменту нужно настоящее значение.