Saltar al contenido principal

Reto 4: Pipeline de detección y anonimización de PII con Presidio

Herramienta: Presidio (open source, MIT) · Marcos: GDPR / LFPDPPP · Tiempo: 3–4 h

Qué vas a construir

Un pipeline de clasificación de datos: detecta datos personales (PII) en texto — nombres, correos, teléfonos, tarjetas, CURP/RFC — y los anonimiza automáticamente. Es el corazón de un programa de DLP y clasificación de datos.

Dónde ejecutas esto: en tu máquina, dentro del entorno del Paso 0. Presidio dejó de ser un proyecto de Microsoft y hoy es mantenido por la comunidad (data-privacy-stack) — 100% abierto.

Por qué importa para el empleo​

La JD de BBVA pide "identificación y clasificación de datos sensibles (PII) con herramientas automatizadas (DLP, BigID, Varonis)" y "salvaguarda de información confidencial según normativa". La de MAPFRE pide "cumplimiento en protección de datos". Este reto te da un DLP funcional que puedes demostrar en vivo en la entrevista, sin licencias caras.

Pasos​

# 1. Instala Presidio (analyzer + anonymizer) y el modelo de lenguaje de spaCy
python -m pip install presidio-analyzer presidio-anonymizer
python -m spacy download en_core_web_lg
# Para español: python -m spacy download es_core_news_lg
Script mínimo: detectar + anonimizar PII
# dlp.py — detecta y anonimiza PII en un texto
from presidio_analyzer import AnalyzerEngine
from presidio_anonymizer import AnonymizerEngine

analyzer = AnalyzerEngine()
anonymizer = AnonymizerEngine()

texto = "Contacta a Ana Pérez en ana.perez@example.com o al +52 55 1234 5678."

# 1. Detectar
resultados = analyzer.analyze(text=texto, language="en")
for r in resultados:
    print(r.entity_type, texto[r.start:r.end], round(r.score, 2))

# 2. Anonimizar
anonimizado = anonymizer.anonymize(text=texto, analyzer_results=resultados)
print(anonimizado.text)   # -> Contacta a <PERSON> en <EMAIL_ADDRESS> o al <PHONE_NUMBER>.

La API oficial y reconocedores personalizados están en la documentación de Presidio.

Extiende: reconocedor personalizado para RFC/CURP (México)

Presidio permite añadir reconocedores por regex para identificadores locales que no trae de fábrica (ej. RFC, CURP, CLABE). Crea un PatternRecognizer con el patrón correspondiente y regístralo en el AnalyzerEngine. Documentar este paso demuestra que entiendes contexto regulatorio local (LFPDPPP) — un gran diferenciador para roles en LATAM.

📦 Entregable​

Un repositorio pii-dlp-pipeline/ con:

  1. README.md — qué tipos de PII detecta y para qué normativa (GDPR/LFPDPPP).
  2. dlp.py — el pipeline de detección + anonimización.
  3. samples/ — textos de entrada (ficticios) y su salida anonimizada.
  4. Al menos un reconocedor personalizado (RFC, CURP o similar) con su justificación.
  5. Un breve mapa: tipo de PII → riesgo regulatorio → acción de tratamiento.

✅ Criterios de éxito​

  • Detectas al menos 4 tipos de PII distintos.
  • Anonimizas correctamente (redacción o reemplazo por token).
  • Añadiste 1 reconocedor personalizado local (RFC/CURP/CLABE).
  • Explicaste el vínculo con GDPR o LFPDPPP en el README.
Usa datos ficticios

Nunca proceses PII real de personas sin base legal y consentimiento. Para este reto usa datos sintéticos/ficticios que tú generes.

Anterior: ← Reto 3 · Siguiente: Reto 5 — Revisión Segura de Código Generado por IA →