Lab 1 de procesamiento de lenguaje natural
Falsos positivos: el patron PHONE se afino al formato de Guatemala (8 digitos 4-4, con +502 opcional), lo que evita confundir un DPI con un telefono; aun asi, cualquier numero de 8 digitos con esa forma —un codigo de factura o de cuenta— se marcara como telefono. LONG_NUMBER agrava esto porque cualquier numero de 8 o mas digitos se considera sensible aunque sea un codigo de producto inofensivo. EMAIL tambien puede disparar sobre cadenas tipo "usuario@host" que no son correos reales.
Falsos negativos: la regex no detecta correos ofuscados ("ana [arroba] uvg punto gt"), telefonos escritos con palabras, URLs sin http ni www, secretos con nombres distintos a los del diccionario, o un DPI partido en varias lineas. Todo dato sensible expresado de forma no estandar escapa a los patrones.
Perdida de informacion al redactar: al reemplazar por [EMAIL_REDACTED] o [PHONE_REDACTED] se pierde el dato concreto, pero tambien el contexto: el modelo ya no sabe cuantos correos habia, a quien pertenecen ni si dos menciones son la misma persona. Esto puede degradar tareas que dependian de esa entidad.
Suficiencia de Regex: no. Regex es una primera capa util y barata, pero fragil ante variantes y ofuscacion; en una empresa real generaria fugas y falsos positivos costosos. Como capas adicionales agregaria NER/ML para deteccion semantica de PII, diccionarios y listas de bloqueo mantenidas, deteccion de secretos por entropia, cifrado y control de acceso, y registro de auditoria con revision humana antes de enviar datos a un modelo externo.