LLM Anonymizer

LLM Anonymizer localiza en un texto los datos personales que elijas, como nombres, DNI, correos o teléfonos, con ayuda de un modelo de IA, y los sustituye por valores inventados del mismo tipo: un nombre por otro nombre, un teléfono por otro teléfono. El texto sigue leyéndose con naturalidad, pero ya no identifica a nadie.

Cuándo usarlo

• Quieres analizar conversaciones de clientes con un servicio externo sin compartir sus datos personales.
• Necesitas textos realistas para pruebas o formación a partir de casos reales.
• Vas a guardar reclamaciones o correos en un sistema compartido y no deben aparecer nombres ni contactos.

Configuración

Campo	Qué hace
Datos	El registro o la lista de registros que contienen el texto.
Data key to anonymize	El campo del registro donde está el texto. Por defecto, text.
Entities	Los tipos de dato que se buscan y sustituyen. Por defecto, PERSON (personas), DNI, EMAIL_ADDRESS (correos) y PHONE_NUMBER (teléfonos). También puedes elegir ORGANIZATION (organizaciones), LOCATION (lugares), DATE_TIME (fechas y horas), IBAN y CREDIT_CARD (tarjetas).
Result Key	El campo donde se guarda el texto anonimizado. Por defecto, text_anonymized.
Entities Result Key	El campo donde se guardan los datos encontrados, agrupados por tipo. Por defecto, entities_anonimized.
Modelo de Lenguaje	El modelo de lenguaje que busca los datos personales. Conecta aquí un componente de modelo.

Opciones avanzadas

Campo	Qué hace
Prompt template	Las instrucciones que recibe el modelo para encontrar los datos. Si las cambias, mantén {entities} (los tipos elegidos) y {Data} (el texto).
Remark Anonimization	Rodea cada valor sustituido con *** para que se vea qué partes se han cambiado. Desactivado por defecto.
Use Word Boundaries	Sustituye solo palabras completas, para no cambiar trozos de otras palabras. Activado por defecto.

Resultado

La salida Datos devuelve los mismos registros con dos campos nuevos: el texto anonimizado (en Result Key) y los datos personales encontrados (en Entities Result Key). Los registros sin texto en el campo indicado pasan sin cambios.

Los datos originales siguen en el registro

El texto original y la lista de datos encontrados se mantienen en el registro. Antes de enviarlo fuera, quédate solo con el texto anonimizado, por ejemplo con Filter Data Keys.

Los valores inventados se eligen al azar, así que el cambio no se puede deshacer a partir del resultado.

Si el modelo falla o no responde con la lista de datos encontrados, el componente se detiene con un error en lugar de dejar pasar el texto sin anonimizar.

Ejemplo

Un equipo de calidad quiere que una herramienta externa clasifique las reclamaciones sin ver datos de clientes.

1. Conecta las reclamaciones a Datos y deja text en Data key to anonymize.
2. En Entities, mantén los valores por defecto y añade IBAN.
3. Conecta un modelo de lenguaje a Modelo de Lenguaje.
4. Conecta Datos a Filter Data Keys para conservar solo text_anonymized y envía el resultado a la herramienta de clasificación.

Buenas prácticas

• Revisa algunos resultados antes de usarlo a gran escala: el modelo puede pasar por alto datos escritos de forma poco habitual.
• Elige solo los tipos de dato que necesitas: cuantos menos, más precisa es la búsqueda.

Componentes relacionados

• Data Anonymizer: anonimiza datos sin usar un modelo de lenguaje.
• Data Deanonymizer: recupera los datos originales de un texto anonimizado con Data Anonymizer.