F-11 DLP multimodale

Brique F de la plateforme Enterprise AI. Technologie : composant développé : OCR (Tesseract ou PaddleOCR), analyseurs Presidio, détection des visages et des plaques d'immatriculation, STT pour l'audio, échantillonnage d'images pour la vidéo. Version anglaise : ../../en/bricks/F-11-multimodal-dlp.md.

Rôle et responsabilités

• Détecter les données personnelles et sensibles dans les images (texte OCR, visages, pièces d'identité), l'audio (PII prononcées via transcription) et la vidéo (images échantillonnées + audio).
• Appliquer les modes detect, mask (flou de zones, bip audio), tokenize (texte), block, alignés avec POST /v1/dlp/redact de la brique E.

Position et interactions

• Chemin d'exécution : synchrone pour les images, job pour l'audio et la vidéo, intégré à l'upload média.
• Invoquée par les obligations de politique renvoyées par POST /v1/policies/evaluate avant tout appel de modèle sur un média.
• Les résultats mettent à jour la classification du média et sont écrits dans la chaîne d'audit.

Part open source et part développée

• Open source réutilisé : Presidio, Tesseract/PaddleOCR, détecteurs OpenCV, faster-whisper.
• Développé dans la plateforme : Composant complet : orchestration, masquage par zones, bip audio horodaté, détecteurs français (NIR, SIRET, IBAN FR).

Modèle de données

Tables du Control Plane (schéma eai) : eai.media, eai.multimodal_jobs, eai.audit_events.

Chaque table de tenant a tenant_id uuid NOT NULL et une politique de sécurité au niveau des lignes sur current_setting('app.tenant_id', true)::uuid. ClickHouse usage_events est la réplique analytique de eai.usage_events (ReplacingMergeTree par event_id).

Contrat : contracts/v1/multimodal-contract.schema.json (schema_version 1.0). L'usage est toujours remonté avec contracts/v1/usage-event.schema.json, l'audit avec contracts/v1/audit-event.schema.json.

Endpoints d'API

Méthode	Chemin
POST	/v1/multimodal/dlp
POST	/v1/privacy/classify
POST	/v1/media

POST /v1/multimodal/dlp

Requête :

{
  "media_id": "med_01HZX3K9",
  "mode": "mask"
}

Réponse :

{
  "job_id": "mmj_P01",
  "status": "succeeded",
  "findings": [
    {
      "type": "iban",
      "location": {
        "page": 1,
        "bbox": [
          412,
          1880,
          980,
          1920
        ]
      },
      "action": "masked"
    }
  ],
  "redacted_media_id": "med_RED1",
  "classification": "confidential"
}

POST /v1/privacy/classify

Requête :

{
  "media_id": "med_01HZX3K9"
}

Réponse :

{
  "classification": "confidential",
  "findings": [
    {
      "type": "person_name",
      "count": 3
    }
  ]
}

POST /v1/media

Requête :

{
  "filename": "invoice-scan.png",
  "mime_type": "image/png",
  "operation": "vision_understanding",
  "classification": "internal",
  "content_base64": "iVBORw0KGgo..."
}

Réponse :

{
  "media_id": "med_01HZX3K9",
  "media_type": "image",
  "mime_type": "image/png",
  "size_bytes": 482113,
  "resolution": "1654x2339",
  "classification": "internal",
  "dlp": {
    "status": "clean",
    "findings": 0
  },
  "storage": {
    "uri": "s3://eai-media/tenant/med_01HZX3K9",
    "encrypted": true
  }
}

Exemples SDK

Python

from enterprise_ai import EnterpriseAI

client = EnterpriseAI(base_url="<control-plane-url>", api_key="eai_live_xxx", tenant="acme", locale="fr")
client.multimodal.audio.dlp("med_01HZX3K9", mode="mask")
client.privacy.classify(media_id="med_01HZX3K9")
client.multimodal.upload(open("invoice-scan.png", "rb").read(), "invoice-scan.png", "image/png", classification="internal")

TypeScript

import { EnterpriseAI } from "@enterprise-ai/sdk";

const client = new EnterpriseAI({ baseUrl: "<control-plane-url>", apiKey: process.env.EAI_API_KEY, tenant: "acme", locale: "fr" });
await client.multimodal.dlp({ media_id: "med_01HZX3K9", mode: "mask" });
await client.privacy.classify({ media_id: "med_01HZX3K9" });
await client.media.upload({ file: new Blob([await readFile("invoice-scan.png")], { type: "image/png" }), filename: "invoice-scan.png", operation: "vision_understanding", classification: "internal" });

Java

EnterpriseAIClient client = EnterpriseAIClient.builder()
    .baseUrl("<control-plane-url>")
    .apiKey(System.getenv("EAI_API_KEY"))
    .tenant("acme")
    .locale(Locale.FRENCH)
    .build();
client.multimodal().dlp(Map.of("media_id", "med_01HZX3K9", "mode", "mask"));
client.privacy().classify(Map.of("media_id", "med_01HZX3K9"));
client.media().upload(Map.of("content_base64", Base64.getEncoder().encodeToString(Files.readAllBytes(Path.of("invoice-scan.png"))), "mime_type", "image/png", "filename", "invoice-scan.png", "classification", "internal"));

Go

client, err := eai.NewClient(eai.WithBaseURL("<control-plane-url>"), eai.WithAPIKey(os.Getenv("EAI_API_KEY")), eai.WithTenant("acme"), eai.WithLocale("fr"))
if err != nil { log.Fatal(err) }
ctx := context.Background()
_, err = client.Multimodal.Dlp(ctx, map[string]any{"media_id": "med_01HZX3K9", "mode": "mask"})
_, err = client.Privacy.Classify(ctx, map[string]any{"media_id": "med_01HZX3K9"})
_, err = client.Media.Upload(ctx, map[string]any{"content_base64": base64.StdEncoding.EncodeToString(scan), "mime_type": "image/png", "filename": "invoice-scan.png", "classification": "internal"})

// worker package: run a media worker consuming multimodal jobs
w, err := worker.New(worker.Config{Source: jobs, Handler: handle, Client: client, Concurrency: 2})
if err != nil { log.Fatal(err) }
err = w.Run(ctx)

Configuration

Variables d'environnement : EAI_OCR_LANG.

Clés de valeurs Helm (deploy/helm/enterprise-ai/values.yaml) : workers.items[name=dlp].replicas.

Sécurité

• Le média masqué est un nouveau média ; l'original reste chiffré avec accès restreint (security_officer).
• Les résultats ne contiennent jamais la valeur brute, seulement le type, la position et une empreinte.
• Tenant déduit de l'identifiant d'accès, jamais du corps ; sécurité au niveau des lignes PostgreSQL sur chaque table de tenant.
• Chaque mutation et décision de politique écrit un événement d'audit chaîné par hachage (G-11).
• Les erreurs utilisent l'enveloppe standard avec message_i18n en et fr.

Observabilité

• Résultats par type et par tenant, boucle de retour sur les faux positifs via les suites d'évaluation.
• traceparent W3C propagé, X-Request-Id renvoyé, les spans portent eai.tenant_id, eai.project, eai.agent_id, eai.run_id.

Unités FinOps

• Enregistré en cpu_seconds/gpu_seconds avec labels.operation=dlp, documents ou images comptés.

Modes de défaillance et résilience

• Échec OCR -> classification relevée au niveau le plus prudent (échec fermé), statut needs_review.

Adoption autonome

Un client régulé peut n'adopter que la DLP multimodale devant sa propre pile IA.

Tests d'acceptation

1. Un RIB scanné voit son IBAN masqué dans le média masqué.
2. Un numéro de téléphone prononcé à 00:42 est masqué par un bip dans l'audio de sortie.
3. Un scan illisible est classé confidentiel avec needs_review.

Feuille de route d'implémentation

Preuves vocales du kit L4

Transcriptions temps réel : DLP mask, tokenize ou block avant stockage, client, modèle et journaux ; detect refusé ; lignes stockées, journaux, audit et spans vérifiés sans donnée personnelle brute (MULT-009). Voir le guide du runtime vocal.