Voltar

Airbnb adapta Presidio para desidentificação de dados e proteção de PII em fluxos de trabalho de ML

Aprofundamento CEVIU

Aprofundamento

O Airbnb implementou uma solução robusta para desidentificar dados textuais e proteger informações de identificação pessoal (PII) em seus pipelines de Machine Learning. A empresa escolheu o Presidio, uma biblioteca de código aberto desenvolvida originalmente pela Microsoft e agora sob governança da comunidade, como base. A adaptação incluiu a criação de reconhecedores específicos para entidades do domínio do Airbnb, como IDs de listagem e cartões-presente, e um sistema de avaliação multilíngue para garantir a precisão.

A arquitetura se divide em duas etapas principais: o Analyzer, que detecta e rotula trechos de texto que parecem ser PII, e o Anonymizer, que substitui esses dados por valores simulados. O Airbnb aprimorou o Analyzer utilizando o GLiNER, um modelo de NER (Named Entity Recognition) zero-shot, para melhorar a detecção de nomes e endereços de rua, superando o desempenho do spaCy, solução padrão. O GLiNER2 está sendo avaliado como um candidato para futuras melhorias. Para o Anonymizer, a empresa customizou a geração de dados falsos com a biblioteca Faker, assegurando que os valores substituídos sejam realistas e consistentes dentro de uma mesma execução, mas diferentes entre execuções distintas, evitando rastreabilidade.

O que mudou

Esta nova implementação do Airbnb, detalhada em 19 de novembro de 2026, é um aprofundamento na governança de dados e privacidade, algo que o CEVIU já abordou. Em 14 de agosto de 2026, o CEVIU publicou

Por que isso importa

Para engenheiros e cientistas de dados, a abordagem do Airbnb demonstra como transformar políticas de privacidade em controles de dados operacionais e testáveis. A modularidade do Presidio, combinada com a customização de reconhecedores e a integração de modelos avançados como o GLiNER, oferece um blueprint para construir sistemas de desidentificação escaláveis. A ênfase na geração de dados falsos realistas é crucial para a qualidade dos modelos de ML, garantindo que o treinamento não seja comprometido pela remoção pura de PII.

Repositório oficial: fastino-ai/GLiNER2

Linha do tempo

  1. CEVIU noticia a evolução da arquitetura de dados offline do Airbnb para um ecossistema multiplataforma.

  2. CEVIU cobre a inovação do Airbnb na avaliação de sistemas de IA generativa (GenAI) em escala.

  3. CEVIU publica sobre a importância da governança da IA no design e controle de dados.

  4. CEVIU relata a inovação do Airbnb na adaptação de modelos de previsão pós-COVID-19.

  5. CEVIU informa sobre a inovação do Airbnb em testes de banco de dados com reaplicação de workloads reais.

  6. CEVIU detalha como o Airbnb inova na busca com IA através do sistema CASTLE.

  7. Airbnb adapta Presidio para desidentificação de dados e proteção de PII em fluxos de trabalho de ML.

Perguntas frequentes

O que é o Presidio e por que o Airbnb o escolheu?

Presidio é uma biblioteca de código aberto para detecção e desidentificação de PII. O Airbnb o escolheu por sua modularidade, capacidade de hospedagem on-premises, suporte multilíngue e a separação clara entre detecção e ofuscação de PII, permitindo flexibilidade e extensibilidade.

Como o Airbnb personalizou o Presidio para suas necessidades?

O Airbnb desenvolveu reconhecedores específicos para seu domínio (como IDs de listagem), estendeu a correspondência de contexto para frases e integrou modelos de NER como o GLiNER para detecção mais precisa de entidades como nomes e endereços, além de customizar a geração de dados falsos realistas.

Qual o papel do GLiNER2 nesse processo?

O GLiNER2, uma biblioteca de extração de informação baseada em esquema, é uma evolução do GLiNER. Ele está sendo avaliado como um candidato para melhorar ainda mais a precisão na detecção de PII, como nomes e endereços, através de seus recursos de NER zero-shot. O Airbnb o compara a outras soluções em seus benchmarks internos.

Como o Airbnb garante a qualidade da desidentificação de dados?

A qualidade é medida por recall (evitar vazamentos), precisão (minimizar falsos positivos) e throughput. O Airbnb usa um sistema de benchmark contínuo que testa novas versões contra conjuntos de dados rotulados, garantindo que não haja regressão na qualidade para nenhum tipo de entidade ou idioma antes de cada lançamento.

Fontes

Avalie este artigo:
Categoria
CEVIU Dados
Publicado
19 de novembro de 2026
Editoria
CEVIU Dados

Quer receber mais sobre CEVIU Dados?

Conteúdo curado diariamente, direto no seu e-mail.

Conteúdo curado diariamenteDiversas categoriasCancele quando quiser