Accueil / Articles / On ne peut pas supprimer ce qu’on ne trouve pas
On ne peut pas supprimer ce qu’on ne trouve pas
Pourquoi une demande d’effacement RGPD est, au fond, un problème d’entity resolution, et pourquoi le même angle mort vous suit jusqu’à l’entraînement de l’IA.
Une patiente demande à un hôpital d’effacer ses données. Le RGPD lui laisse un mois.
Ses dossiers sont répartis dans quatre systèmes. Des orthographes différentes, une faute de frappe dans le nom, deux chiffres inversés dans une date de naissance, un code postal vide. Trois systèmes stockent des tables. Le quatrième stocke du JSON FHIR. Aucun identifiant commun.
nora keller 1984-03-12 69003KELLER, Nora J. 12/03/1984 69003nora kellar 1984-03-21 (vide){"family": "Keller", "given": ["Nora"], "birthDate": "1984-03-12"}Les retrouver tous n’est pas un problème juridique. C’est un problème d’entity resolution, et je l’ai rencontré dans chacun de mes postes data : registres d’entreprises, annonces immobilières collectées sur le web, dossiers patients.
Chaque produit en hérite
- Recherche : le même élément apparaît cinq fois et repousse les meilleurs résultats hors de la première page.
- Tickets de support : un client, trois comptes, et aucun agent ne voit tout l’historique.
- CRM et facturation : le même client contacté deux fois, facturé deux fois, ou oublié.
- Tableaux de bord : des « clients » comptés par enregistrement et non par personne, donc chaque KPI est faux.
Et il vous suit jusqu’à l’entraînement de l’IA
- La même personne comptée quatre fois donne au modèle une image faussée.
- Les doublons passent entre données d’entraînement et de test, et les scores paraissent meilleurs qu’ils ne le sont.
- Un enregistrement oublié sert à l’entraînement, et le retirer d’un modèle est bien plus difficile que supprimer une ligne.
Ce qui marche en pratique
- Résoudre les identités d’abord : une par personne, reliée à chaque enregistrement source.
- Garder un humain dans la boucle pour les cas limites. Une mauvaise fusion est aussi un incident de confidentialité.
- Protéger la table d’identités elle-même : accès restreint, chiffrement, journalisation de chaque consultation.
Des identités propres ne sont pas une corvée pour l’équipe data. Ce sont les fondations sur lesquelles reposent chaque produit et chaque modèle.
Un dernier obstacle : le volume
Comparer chaque enregistrement à tous les autres croît avec le carré des données. Dix fois plus d’enregistrements, cent fois plus de comparaisons. L’onglet « Force brute » de la démo montre où apparaît ce goulot d’étranglement.
Et l’onglet « Effacement » montre ce qu’une suppression par correspondance exacte laisse derrière elle.
Publié d’abord sur LinkedIn.