# Wykrywanie PII

> 8 wzorców wykrywania PII używanych przez DQS, trzy presety dla typowych scenariuszy skanowania oraz sposób konfiguracji detekcji opartej na wzorcach.

Source: https://dataqualitysense.com/pl/resources/ai-readiness/pii-detection/
Last updated: 2026-06-03

---

## Czym jest wykrywanie PII?

Wykrywanie PII skanuje pola tekstowe pod kątem danych osobowych przy użyciu konfigurowalnych wzorców regex. Odpowiada na trzy pytania dotyczące Twoich danych Salesforce:

- Czy moje dane zawierają PII wymagające ochrony?
- Jak bardzo narażony jest mój zbiór danych?
- Które pola przechowują informacje wrażliwe?

DQS profiluje typ i gęstość ekspozycji PII w każdym polu tekstowym. Używa detekcji opartej na wzorcach: wzorce regex są dopasowywane do wartości pól, aby oznaczyć numery SSN, karty kredytowe, adresy email, numery telefonów i inne identyfikatory.

Trzy właściwości definiują sposób działania detekcji:

1. **Deterministyczność.** Te same dane wejściowe dają zawsze ten sam wynik.
2. **Transparentność.** Widzisz każdy wzorzec, który DQS stosuje. Żadnego czarnego pudełka.
3. **Na platformie.** Detekcja działa w całości wewnątrz Salesforce. Żadne dane nie opuszczają Twojej organizacji.

## Dlaczego to ma znaczenie

**Zgodność.** GDPR, CCPA, HIPAA i PCI DSS – wszystkie wymagają identyfikacji i ochrony PII. Nie można chronić tego, czego się nie znalazło. Automatyczna detekcja daje Ci inwentarz ekspozycji w każdym analizowanym polu tekstowym.

**Gotowość na AI.** Zanim przekażesz dane do Agentforce lub jakiegokolwiek systemu AI, musisz wiedzieć, które pola zawierają PII. Niewykryte PII w danych treningowych lub indeksach wyszukiwania tworzy ekspozycję, której żaden filtr dalszego etapu nie jest w stanie w pełni zapobiec.

**Zarządzanie danymi.** Pola tekstowe gromadzą PII z czasem. Agenci wklejają wątki email do komentarzy w Case. Klienci podają numery SSN do weryfikacji. Integracje zapisują dane kontaktowe w polach opisu. Bez detekcji takie PII pozostaje bez ochrony.

## Jak DQS wykrywa PII

DQS uruchamia wykrywanie PII jako progresywną diagnostykę. Każdy krok opiera się na poprzednim.

### Krok 1: Czy jest problem z PII?

**Records with PII** podaje bezwzględną liczbę rekordów, w których dopasowano co najmniej jeden wzorzec. To liczba określająca zakres problemu.

Na przykład: skanujesz komentarze Case przy użyciu presetu Standard. Records with PII wraca z wynikiem 847. Oznacza to, że 847 rekordów Case wymaga przeglądu, zanim będzie można bezpiecznie użyć ich do trenowania AI lub udostępnić zewnętrznej analityce.

### Krok 2: Jak bardzo jest źle?

**PII Exposure Rate** podaje odsetek przeskanowanych rekordów zawierających dopasowania wzorców. Wskaźnik osadza liczbę w kontekście.

847 rekordów z 1000 to 84,7% ekspozycji – systemowy problem wymagający zmiany procesu. 847 z 500 000 to 0,17% – pojedyncze incydenty, które można załatwić ukierunkowanym czyszczeniem.

### Krok 3: Jaki rodzaj PII?

Sama konfiguracja wzorców mówi Ci, jakie typy były skanowane. Każdy wzorzec ma kategorię: Financial, Contact, Technical lub Identity. Przeglądając, które wzorce uruchomiły dopasowania, wiesz, czy masz do czynienia z wyciekami kart kredytowych, ekspozycją adresów email czy skażeniem SSN.

## 8 wzorców wykrywania

DQS jest dostarczany z 8 predefiniowanymi wzorcami regex zorganizowanymi w 4 kategoriach.

### Financial

| Wzorzec | Co dopasowuje | Ryzyko fałszywych trafień |
|---------|---------------|---------------------------|
| Social Security Number | US SSN w formacie NNN-NN-NNNN | Niskie. Format z myślnikami jest charakterystyczny. |
| Credit Card Number | Sekwencje 13–16 cyfr z opcjonalnymi spacjami/myślnikami | Średnie. Długie sekwencje numeryczne (numery zamówień, ID przesyłek) mogą dawać fałszywe dopasowania. |
| IBAN | Międzynarodowe numery kont bankowych (format ISO 13616) | Niskie. Kod kraju + cyfry kontrolne to charakterystyczny prefiks. |

### Contact

| Wzorzec | Co dopasowuje | Ryzyko fałszywych trafień |
|---------|---------------|---------------------------|
| Email Address | Standardowy format user@domain.tld | Niskie. Struktura ze znakiem @ jest charakterystyczna. |
| US Phone Number | Formaty US/kanadyjskie: (NNN) NNN-NNNN, NNN-NNN-NNNN, warianty +1 | Średnie. 10-cyfrowe numery z separatorami mogą dopasowywać dane niebędące telefonami. |
| International Phone | Numery w stylu E.164 zaczynające się od + i kodu kraju | Niskie. Prefiks + jest silnym sygnałem. |

### Technical

| Wzorzec | Co dopasowuje | Ryzyko fałszywych trafień |
|---------|---------------|---------------------------|
| IP Address | IPv4 w notacji dziesiętnej z kropkami (NNN.NNN.NNN.NNN) | Niskie-średnie. Głównym źródłem fałszywych trafień są numery wersji oprogramowania. |

### Identity

| Wzorzec | Co dopasowuje | Ryzyko fałszywych trafień |
|---------|---------------|---------------------------|
| Date of Birth | Format daty US MM/DD/YYYY lub MM-DD-YYYY | Wysokie. Dopasowuje dowolną datę w formacie US. Najlepiej w połączeniu z targetowaniem na poziomie pola. |

> **DQS używa wyłącznie dopasowania wzorców regex.** Detekcja jest oparta na formacie, nie na kontekście. Nie ma walidacji sum kontrolnych (Luhn dla kart kredytowych, modulo-97 dla IBAN), nie ma wzmocnienia na podstawie bliskości słów kluczowych ani oceny pewności opartej na ML. Każde dopasowanie jest binarne: wzorzec dopasował się lub nie. Sprawia to, że detekcja jest w pełni audytowalna i deterministyczna, ale wymaga przeglądu dopasowań w polach o wysokim ryzyku fałszywych trafień.

## Pokrycie regulacyjne

Wszystkie 8 wzorców jest zakorzenionych w głównych ramach prawnych dotyczących prywatności i bezpieczeństwa.

| Wzorzec | NIST 800-122 | GDPR | CCPA | PCI DSS | HIPAA | ISO 27701 |
|---------|:---:|:---:|:---:|:---:|:---:|:---:|
| SSN | X | X | X | | X | X |
| Credit Card | X | X | X | X | | X |
| Email | X | X | X | | X | X |
| US Phone | | X | X | | X | X |
| Intl Phone | | X | X | | X | X |
| IP Address | | X | X | | X | X |
| IBAN | | X | | | | X |
| Date of Birth | X | X | X | | X | X |

Są to te same typy identyfikatorów wykrywane jako wbudowane wzorce przez Google Cloud DLP, AWS Macie i Microsoft Purview. Różnica: chmurowe narzędzia DLP używają wielowarstwowej detekcji (regex + sumy kontrolne + bliskość słów kluczowych + ML). DQS używa wyłącznie dopasowania regex, co jest prostsze i w pełni transparentne, ale nie zapewnia oceny pewności.

## Trzy presety detekcji

Presety konfigurują, które wzorce są aktywne, jednym kliknięciem.

| Preset | Wzorce | Liczba | Kiedy używać |
|--------|--------|:------:|--------------|
| **Standard** | SSN, Credit Card, Email, US Phone | 4 | Ogólny audyt PII. Obejmuje cztery najczęstsze typy z akceptowalnym poziomem fałszywych trafień. To wartość domyślna. |
| **Critical** | SSN, Credit Card | 2 | Sprawdzenie zgodności finansowej. Minimalny skan pod kątem kradzieży tożsamości i ekspozycji kart płatniczych. Używaj, gdy potrzebujesz szybkich wyników z niemal zerowymi fałszywymi trafieniami. |
| **Extended** | Wszystkie 8 wzorców | 8 | Pełny skan. Obejmuje IBAN, IP Address, Date of Birth i International Phone. Wyższy poziom fałszywych trafień w zamian za maksymalne pokrycie. Najlepszy do pierwszych audytów i ocen zgodności. |

Możesz również dodawać własne wzorce regex poza 8 predefiniowanymi. Własne wzorce są walidowane po stronie serwera przed zapisaniem. Każdy prawidłowy regex działa.

## Słownik metryk

### Metryki fundamentalne

| Metryka | Typ | Co zwraca |
|---------|-----|-----------|
| Records with PII | Liczba (integer) | Liczba rekordów, w których dopasowano co najmniej jeden wzorzec. Rekord jest liczony raz, niezależnie od tego, ile wzorców się dopasowało lub ile jest w nim dopasowań. |

### Metryki zaawansowane

| Metryka | Typ | Co zwraca |
|---------|-----|-----------|
| PII Exposure Rate | Procent | Odsetek przeskanowanych rekordów zawierających dopasowania PII. To główna liczba ekspozycji dla raportów i dashboardów. |

## Pokrycie typów pól

| Metryka | String | TextArea | Email | Phone | EncryptedString | LongTextArea | Html |
|---------|:------:|:--------:|:-----:|:-----:|:---------------:|:------------:|:----:|
| Records with PII | X | X | X | X | X | | |
| PII Exposure Rate | | X | | | | X | X |

Records with PII zarzuca szeroką sieć na wszystkie typy pól tekstowych. PII Exposure Rate skupia się na dłuższych polach tekstowych, gdzie gęstość PII jest istotna. Pole String o długości 255 znaków dopasowujące regex email to pojedynczy punkt danych. Pole LongTextArea o długości 32 000 znaków z 15 dopasowaniami SSN opowiada inną historię.

## Dwa tryby analizy

DQS uruchamia wykrywanie PII w dwóch trybach.

**PII Scan** przetwarza wszystkie wybrane pola przy użyciu skonfigurowanych wzorców i zwraca Records with PII. Ten tryb odpowiada na pytanie: „Czy mam problem z PII?". Używaj go do szybkich audytów przed migracjami danych lub projektami AI.

**PII Detection Analysis** dodaje PII Exposure Rate do Records with PII. Wskaźnik ekspozycji nadaje kontekst surowej liczbie, zmieniając „847 rekordów zawiera PII" w „12,3% Twojego zbioru danych jest narażone". Używaj tego trybu do raportowania zgodności i bieżącego zarządzania.

## Konfiguracja wykrywania PII

| Wejście | Co kontroluje |
|---------|---------------|
| Detection Patterns | Które z 8 predefiniowanych wzorców są aktywne. Wybierz preset lub przełączaj pojedyncze wzorce. |
| Custom Patterns | Dowolny prawidłowy wzorzec regex, walidowany po stronie serwera. Dodawany obok wzorców predefiniowanych. |
| Per-Field Overrides | Różne zestawy wzorców dla różnych pól. Nadpisz konfigurację globalną dla poszczególnych pól. |

### Dobieranie wzorców według typu pola

Różne pola wymagają różnych zestawów wzorców. Pole Email z założenia zawiera adresy email. Skanowanie go pod kątem wzorców email daje 100% dopasowań, co jest oczekiwane, a nie problemem. Pole Case Description to swobodny tekst, w którym może pojawić się dowolny typ PII. Konfiguruj wzorce w oparciu o to, czego się spodziewasz, a co sygnalizuje problem.

Przykładowe konfiguracje:

- **Pola Email:** Skanuj tylko pod kątem SSN i Credit Card (dopasowania email są oczekiwane)
- **Pola Description i Notes:** Użyj presetu Standard lub Extended (swobodny tekst może zawierać wszystko)
- **Krótkie pola tekstowe (Subject, Title):** Używaj tylko presetu Critical (niska tolerancja dla fałszywych trafień)

## Typowe problemy

| Problem | Przyczyna | Rozwiązanie |
|---------|-----------|-------------|
| 100% dopasowań PII na polu Email | Wzorzec email dopasowuje zamierzoną zawartość pola | Usuń wzorzec email z nadpisania dla tego pola lub wyklucz pole ze skanowania PII |
| Dużo fałszywych trafień dla Date of Birth | Wzorzec DOB dopasowuje dowolną datę w formacie US (daty spotkań, terminy) | Użyj nadpisań na poziomie pola, aby stosować wzorzec DOB tylko w polach, gdzie daty urodzenia są znanym ryzykiem |
| Brak dopasowań mimo znanego PII | Wzorzec SSN dopasowuje tylko format z myślnikami (NNN-NN-NNNN), nie 9 kolejnych cyfr | Dodaj własny wzorzec dla konkretnego formatu w Twoich danych. Przykład: `\b\d{9}\b` dla niesformatowanych SSN (wysokie ryzyko fałszywych trafień) |

## Najlepsze praktyki

1. **Zacznij od presetu Standard na polach tekstu swobodnego.** Wykonaj wstępny skan, aby zrozumieć swoją wartość bazową, zanim rozszerzysz się do Extended.

2. **Używaj nadpisań na poziomie pola do dostrajania detekcji dla każdego pola.** Wzorce globalne zarzucają szeroką sieć. Nadpisania per pole eliminują szum.

3. **Najpierw skanuj niestrukturalne pola tekstowe.** Pola Description, Comments i Notes to miejsca, gdzie PII gromadzi się przez kopiuj-wklej i email-to-case. Pola strukturalne (Email, Phone) zawierają PII z założenia.

4. **Przeglądaj dopasowania dla wzorców o wysokim FP (DOB) przed uznaniem ich za potwierdzone PII.** Te wzorce dają więcej fałszywych trafień niż SSN czy Email.

5. **Łącz Records with PII (liczba bezwzględna) z PII Exposure Rate (procent), aby uzyskać pełny obraz.** Liczba określa skalę działań naprawczych. Wskaźnik mówi Ci, czy to systemowy problem, czy pojedyncze incydenty.

## Dalsze kroki

- [Przygotowanie do Agentforce](/pl/resources/ai-readiness/agentforce-preparation/): Pełna lista kontrolna wdrożenia
- [Przygotowanie do Agentforce](/pl/resources/ai-readiness/agentforce-preparation/): Kompletny przewodnik gotowości do wdrożenia