O Anônimo anonimiza PDFs, principalmente peças jurídicas. A pessoa vê a lista de dados sensíveis encontrados, marca o que é e o que não é, e o sistema produz um arquivo em que esses dados foram removidos de verdade. Este artigo explica as decisões por trás.
Redação irreversível
Cobrir um texto com uma tarja preta não anonimiza nada se o texto continuar no arquivo, selecionável por baixo da tarja. No Anônimo a redação é irreversível: o dado sai do arquivo e não há como recuperá-lo depois. Para trabalhar com PDF, trocamos a biblioteca que usávamos por uma de licença permissiva, evitando as restrições de uma licença copyleft em um produto comercial.
Detecção em camadas
Nenhuma técnica sozinha acerta tudo. Combinamos:
- Expressões regulares para formatos conhecidos (CPF, CNPJ, e-mail, telefone, processos);
- Dígito verificador: um número com cara de CPF só vale se o dígito conferir, o que elimina muitos falsos positivos;
- Regras de domínio: por exemplo, o CNPJ alfanumérico sem máscara só é aceito com dígito válido e a palavra "CNPJ" por perto;
- OCR (Tesseract) para páginas escaneadas, que não têm texto selecionável;
- Aprendizado online com regressão logística, a partir das correções feitas pelos usuários;
- Revisão humana: a decisão final é sempre de quem usa.
Aprender com a correção, sem misturar clientes
Quando o usuário diz "isto não é um dado sensível" ou "isto é", o sistema aprende. Mas aprender é perigoso em um produto com vários escritórios: o que um cliente corrige não pode vazar para outro. Por isso o aprendizado é separado por conta: cada time tem o seu próprio modelo e o seu próprio sal criptográfico, e um time novo começa do zero. Valores aprendidos são guardados como HMAC, não em texto puro. Para tipos de risco alto (CPF, CNPJ, e-mail), existem pisos: o sistema continua marcando mesmo que o usuário tenha dispensado a sugestão uma vez.
O motor roda isolado, sem internet
A parte que processa o conteúdo dos documentos roda em um container separado do aplicativo web, com permissões mínimas: sistema de arquivos somente leitura, sem privilégios extras do kernel e sem acesso à internet. Mesmo que algo dentro do motor tentasse enviar dados para fora, não teria por onde. Pelo mesmo motivo não usamos serviços de IA de terceiros para ler os documentos: o conteúdo é sensível e fica na nossa infraestrutura. O sistema também não guarda o conteúdo dos documentos processados.
Modelo de uso em equipe
Escritórios têm vários usuários. O Anônimo trabalha com times, convite por link (o funcionário entra como membro, sem ver a assinatura) e planos com limite de páginas e de usuários. A cobrança é pelo Asaas.
Desempenho nas páginas públicas
As páginas públicas passaram a usar o cache de FastCGI do Nginx: o teste foi de 30 para 73 requisições por segundo, e o p95 de 3,5 segundos para 43 milissegundos. Detalhes no artigo de desempenho.
Conheça o Anônimo ou veja os outros sistemas.