docs(ociwacht): het DLP-onderzoek vastgelegd als naslag

brenno commented

2026-07-19 16:12:27 +00:00

Owner

Sluit de privacy-reeks af (#363, #364, #367). §13 bevat de beslissingen; het materiaal waarop ze rusten stond alleen in de sessie waarin het verzameld is — en dat is nu juist het deel dat je nodig hebt om er later mee verder te kunnen.

§14 is nadrukkelijk een annex, geen ontwerp; de statustabel bovenin merkt hem als "naslag".

Wat erin staat

Sectie
14.1	Wat Purview, Google SDP, Macie en Presidio werkelijk doen — detectoraantallen, nabijheidsvensters, en hoe (slecht) ze meertaligheid oplossen
14.2	EDM, fingerprinting, checksums, entropie, bloomfilters, OCR — met hun echte limieten
14.3	Wat er peer-reviewed gemeten is, met de voorbehouden erbij
14.4	Lexiconbronnen met licentiestatus: wat mag mee, wat niet, en waarom
14.5	Meertaligheid en rolonderscheid: vooral wat er niet bestaat
14.6	Wat aantoonbaar marketing is
14.7	Bronnen

Drie dingen die het dossier draagt

De ijking. Microsofts Franse INSEE-definitie: patroon plus checksum is al confidence 75, het taalsignaal voegt 10 toe. Dat verklaart waarom de taalonafhankelijke laag het meeste werk hoort te doen. Purview rékent overigens niet — 65/75/85 zijn handmatig toegekende labels, geen som. Onze drie zekerheidsniveaus zijn dus hetzelfde soort ding, geen simpelere versie van iets geavanceerders.

Het cijfer dat de persoonskoppelingspoort (fase 11) zowel rechtvaardigt als tempert. VACCINE meet op Enron-e-mail F1 90,20% voor "is dit een telefoonnummer?" en F1 48,35% voor "van wíé is dit nummer?". Het patroon is het makkelijke deel. Reken op de helft.

En het cijfer dat alles plafonneert. De menselijke annotatoren van de Text Anonymization Benchmark maskeerden gemiddeld 67,9% van de entiteiten, SD 8,3%, met 4.299 unieke meningsverschillen. Getrainde mensen, één taal, één domein, expliciete richtlijnen — en geen overeenstemming. Er is geen grondwaarheid om naartoe te convergeren, en dát is de reden dat "een hulpmiddel, geen garantie" geen bescheidenheidsfiguur is.

Ook opgeschreven: wat marketing is

Inclusief het rondzingende "99% van DLP-alerts is vals positief" — dat blijkt een citaat van één analist in een interview, geen meting. Zodat niemand het per ongeluk citeert.

make check groen.

🤖 Generated with Claude Code

Sluit de privacy-reeks af (#363, #364, #367). §13 bevat de beslissingen; het materiaal waarop ze rusten stond alleen in de sessie waarin het verzameld is — en dat is nu juist het deel dat je nodig hebt om er later mee verder te kunnen. §14 is nadrukkelijk een **annex, geen ontwerp**; de statustabel bovenin merkt hem als "naslag". ## Wat erin staat | Sectie | | | --- | --- | | 14.1 | Wat Purview, Google SDP, Macie en Presidio werkelijk doen — detectoraantallen, nabijheidsvensters, en hoe (slecht) ze meertaligheid oplossen | | 14.2 | EDM, fingerprinting, checksums, entropie, bloomfilters, OCR — met hun echte limieten | | 14.3 | Wat er peer-reviewed gemeten is, met de voorbehouden erbij | | 14.4 | Lexiconbronnen met licentiestatus: wat mag mee, wat niet, en waarom | | 14.5 | Meertaligheid en rolonderscheid: vooral wat er *niet* bestaat | | 14.6 | Wat aantoonbaar marketing is | | 14.7 | Bronnen | ## Drie dingen die het dossier draagt **De ijking.** Microsofts Franse INSEE-definitie: patroon plus checksum is al confidence 75, het taalsignaal voegt 10 toe. Dat verklaart waarom de taalonafhankelijke laag het meeste werk hoort te doen. Purview rékent overigens niet — 65/75/85 zijn handmatig toegekende labels, geen som. Onze drie zekerheidsniveaus zijn dus hetzelfde soort ding, geen simpelere versie van iets geavanceerders. **Het cijfer dat de persoonskoppelingspoort (fase 11) zowel rechtvaardigt als tempert.** VACCINE meet op Enron-e-mail F1 90,20% voor "is dit een telefoonnummer?" en **F1 48,35%** voor "van wíé is dit nummer?". Het patroon is het makkelijke deel. Reken op de helft. **En het cijfer dat alles plafonneert.** De menselijke annotatoren van de Text Anonymization Benchmark maskeerden gemiddeld 67,9% van de entiteiten, SD 8,3%, met 4.299 unieke meningsverschillen. Getrainde mensen, één taal, één domein, expliciete richtlijnen — en geen overeenstemming. Er is geen grondwaarheid om naartoe te convergeren, en dát is de reden dat "een hulpmiddel, geen garantie" geen bescheidenheidsfiguur is. ## Ook opgeschreven: wat marketing is Inclusief het rondzingende "99% van DLP-alerts is vals positief" — dat blijkt een citaat van één analist in een interview, geen meting. Zodat niemand het per ongeluk citeert. `make check` groen. 🤖 Generated with [Claude Code](https://claude.com/claude-code)

brenno added 1 commit

2026-07-19 16:12:27 +00:00

docs(ociwacht): het DLP-onderzoek vastgelegd als naslag

CI / Supply-chain (Trivy · advisory) (push) Has been cancelled

Details

CI / Supply-chain (Trivy · advisory) (pull_request) Has been cancelled

Details

CI / Gate (Linux) · Format · Analyze · Coverage (push) Has been cancelled

Details

CI / Test (macos-latest) (push) Has been cancelled

Details

CI / Test (windows-latest) (push) Has been cancelled

Details

CI / Web hardening (push) Has been cancelled

Details

CI / Docs links (push) Has been cancelled

Details

CI / Gate (Linux) · Format · Analyze · Coverage (pull_request) Has been cancelled

Details

CI / Test (macos-latest) (pull_request) Has been cancelled

Details

CI / Test (windows-latest) (pull_request) Has been cancelled

Details

CI / Web hardening (pull_request) Has been cancelled

Details

CI / Docs links (pull_request) Has been cancelled

Details

35a2ba757b

§13 bevat de beslissingen, maar het materiaal waarop ze rusten stond alleen
in de sessie waarin het verzameld is. Dat is precies het deel dat je nodig
hebt om er later mee verder te kunnen, dus §14 legt het vast: de
leveranciersarchitecturen met hun echte parameters, de technieken met hun
kosten, en vooral wat er werkelijk aan gemeten is.

Het is nadrukkelijk een annex en geen ontwerp. De statustabel bovenin merkt
hem als "naslag" zodat niemand hem voor besluitvorming aanziet.

Drie dingen die het dossier draagt, en die anders opnieuw uitgezocht zouden
worden.

**De ijking.** Microsofts Franse INSEE-definitie: patroon plus checksum is al
confidence 75, het taalsignaal voegt 10 toe. Dat is de verhouding die een
30-talenproduct nodig heeft, en het verklaart waarom de taalonafhankelijke
laag het meeste werk hoort te doen. Purview rékent overigens niet — 65/75/85
zijn met de hand toegekende labels, geen som. Onze drie zekerheidsniveaus
zijn dus hetzelfde soort ding, geen simpelere versie van iets geavanceerders.

**Het cijfer dat de persoonskoppelingspoort zowel rechtvaardigt als tempert.**
VACCINE meet op Enron-e-mail F1 90,20% voor "is dit een telefoonnummer?" en
F1 48,35% voor "van wie is dit nummer?". Het patroon is het makkelijke deel.
Reken op de helft.

**En het cijfer dat alles plafonneert.** De menselijke annotatoren van de Text
Anonymization Benchmark maskeerden gemiddeld 67,9% van de entiteiten, met een
standaarddeviatie van 8,3% en 4.299 unieke meningsverschillen. Getrainde
mensen, één taal, één domein, expliciete richtlijnen — en geen
overeenstemming. Er is geen grondwaarheid om naartoe te convergeren.

Er staat ook een sectie in met wat aantoonbaar marketing is, inclusief het
rondzingende "99% van DLP-alerts is vals positief" (één analist in een
interview, geen meting). Zodat niemand het per ongeluk citeert.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

brenno merged commit 4e806109cd into main

2026-07-19 16:12:28 +00:00

brenno referenced this pull request from a commit

2026-07-19 16:12:29 +00:00

Merge pull request 'docs(ociwacht): het DLP-onderzoek vastgelegd als naslag' (#369) from docs/dlp-onderzoeksdossier into main

Rows
Columns

docs(ociwacht): het DLP-onderzoek vastgelegd als naslag #369

Wat erin staat

Drie dingen die het dossier draagt

Ook opgeschreven: wat marketing is