AI Librariumと東北大学の研究者が、社内文書の個人識別情報を社内環境だけで検出・マスキングする二段階手法をCSS2026で発表。正規表現・辞書・日本語NERとローカルLLMの組み合わせで検出精度と処理速度の向上を報じている。
AI Librariumと東北大学の研究者は、生成AIを用いる際に社内文書に含まれる個人識別情報を社内環境のみで検出・マスキングする論文を、情報処理学会CSS2026で発表した。論文題目は「個人識別情報保護に向けた正規表現ルールとローカルLLMによる軽量な事前検出手法」で、著者には朝比奈睦郎（愛媛大学）らと西川智章（AI Librarium）ら、東北大学データ駆動科学・AI教育研究センターの栗林稔らが含まれる。
本手法は、候補抽出を正規表現・辞書・GiNZAなどの日本語NERで行い、形式が明確なメールアドレス・電話番号はLLMを介さず確定させる。その後、判断が難しい候補のみローカル環境のLLM（gpt-oss:20b）で判定・補正する二段階構成で、処理時間を抑えつつ精度を向上させる。全処理は社内完結で外部送信はない。
評価は公開データセットOpenPII 1.5Mの日本語文書のうち、開発に使わなかった500文書を対象に実施された。提案手法は候補抽出＋ローカルLLMによる補正で、検出精度は0.790、平均処理時間は約11.97秒/文書となり、LLMを全文処理する方式より高速であった。メールアドレスの検出精度や氏名の検出精度も向上した。
今後はAI Governance Xをはじめとする企業向けガバナンス支援サービスへ本研究成果を適用するほか、候補抽出の網羅性の向上や年齢・運転免許証番号など検出対象の拡張、実務文書での検証を進める予定である。