Evaluando la Eficacia de las Técnicas de IA en la Anonimización Textual: Un Estudio Comparativo

En la era digital, con las crecientes preocupaciones sobre la privacidad, es imperativo idear estrategias sólidas que protejan los datos privados mientras se mantiene el valor intrínseco de la información textual. Esta investigación se embarca en un examen exhaustivo de los métodos de anonimización de texto, centrándose en Campos Aleatorios Condicionales (CRF), Memoria a Largo y Corto Plazo (LSTM), Embeddings de Modelos de Lenguaje (ELMo), y las capacidades transformadoras de la arquitectura de Transformers. Cada modelo presenta fortalezas únicas, ya que LSTM modela dependencias a largo plazo, CRF captura dependencias entre secuencias de palabras, ELMo proporciona representaciones contextuales de palabras utilizando modelos de lenguaje bidireccionales profundos y Transformers introducen mecanismos de autoatención que ofrecen una mayor escalabilidad. Nuestro estudio se posiciona como un análisis comparativo de estos modelos, enfatizando su potencial sinérgico para abordar los desafíos de la anonimización de texto. Los resultados preliminares indican que CRF, LSTM y ELMo superan individualmente a los métodos tradicionales. La inclusión de Transformers, cuando se compara junto con los otros modelos, ofrece una perspectiva más amplia sobre cómo lograr una anonimización textual óptima en los entornos contemporáneos.