Наш первый найм: анонимизатор наборов данных — MVP0 в испытательный период

----
----
Données brutes client (SPG, cours, évaluations)
  ├→ Noms de stagiaires en clair dans les PDF
  ├→ Emails dans les métadonnées JSON
  ├→ IP de connexion dans les logs pgvector
  ├→ Identifiants dans les nœuds Graphify
  └→ Références OF pilote dans les schémas SQL
----

Результат: либо ты делаешь RAG на грязных данных (галлюцинации PII, несоблюдение GDPR, юридический риск), либо ты ничего не делаешь (нет продукта). Третий путь — ручная очистка — не масштабируем.

Мой ответ: не обходить проблему. L'**автоматизировать**.

== MVP0 : анонимайзер, первый принятый на испытательный срок

MVP0 не является функцией. Это**эксперт по удобству**— сотрудник, который выполняет грязную, глупую и злобную работу, о которой никто не хочет говорить в питч-деках.

Что он делает:

[source]
----
ENTRÉE : Données brutes multi-sources
  ├→ AsciiDoc (SPG_A2SP.adoc) → noms, dates, OF pilote
  ├→ JSON (catalogue formations) → emails, téléphones
  ├→ YAML (config workspace) → tokens OAuth2
  ├→ SQL (schémas DDL) → IP, adresses
  ├→ pgvector (métadonnées embeddings) → identifiants
  ├→ ONNX (outputs classification) → noms propres
  └→ Graphify (graph.json) → nœuds avec PII

SORTIE : Datasets propres, format standardisé
  ├→ [ANONYMIZED] remplace les PII détectées
  ├→ Classification RGPD (niveau 0→4)
  ├→ Rapport d'audit (quoi a été nettoyé)
  └→ Dataset prêt pour RAG ET fine-tuning
----

Он обнаруживает наиболее очевидные паттерны в первую очередь (электронные письма`.*@.*`, токены`sk-*`, `ghp_*`, IP-адреса), затем он обучается. Пробный период — это значит: мы проверяем, чтобы он не пропускал ложные отрицательные результаты, прежде чем сделать его постоянным.

== Что разблокирует этот MVP (и это не просто соответствие)

Анонимизация как MVP0 — это не платёж за проезд GDPR перед автомагистралью. Это сама автомагистраль. Вот что она открывает:

=== Настоящее: Дополненная реальность в промпте

[source]
----
DONNÉES BRUTES CLIENT
    ↓
Anonymiseur MVP0 → datasets propres
    ↓
RAG pgvector (MVP1) → top-K documents similaires (filtrés, anonymisés)
    ↓
LLM (deepseek-v4-pro) → réponse augmentée, zéro PII
----

RAG не ищет в грязных данных — он ищет в пространстве**чистый по конструкции**. Это меняет всё для качества ответов: LLM не тратит время на обход PII, которые он распознает, но не должен упоминать.

=== Будущее: Fine-Tuning на здоровых данных

[source]
----
MVP0 → datasets propres accumulés (session après session)
    ↓
Fine-tuning expert métier (CDA, FPA) sur données zéro PII
    ↓
Modèle fine-tuné exposé via Ollama (sans fuite de données)
----

Тонкая настройка на необработанных данных — это потенциальная юридическая катастрофа. На чистых данных это**воспроизводимый метод**. Каждый клиент накапливает свои очищенные наборы данных, каждый клиент может выполнять fine-tuning своих бизнес-экспертов на своих данных — никогда не раскрывая личную информацию.

== Почему это Marketable

Ce n'est pas « un outil de conformité RGPD ». C'est une **Воспроизводимый метод, превращающий универсальную проблему в актив** :

1. *Любая компания по обучению имеет грязные данные* — вот проблема
2. *Ни у кого нет автоматизированного многоисточникового конвейера очистки* — это рынок
3. *Цикл: анонимизация → RAG → дообучение является проприетарным* — это барьер

SaaS Edster (MVP3) не будет продавать « рабочее пространство Gradle ». Он будет продавать этот замкнутый цикл. А MVP0 — это точка входа.

== Формат SQL как третий путь контекста

Импорт структурированных данных — это не просто формат обмена. Схема SQL (DDL) несёт**модель сущность-связь области**:

[source]
----
CREATE TABLE formation (
  id UUID PRIMARY KEY,
  titre VARCHAR NOT NULL,
  referentiel RNCP REFERENCES rncp(id),
  organisme OF REFERENCES of_pilote(id)  -- ← va être anonymisé
);
----

Этот DDL, после анонимизации (строка 4), становится источником контекста для LLM. Не текста —**бизнес-модель**. RAG предоставляет содержимое (векторное сходство), Graphify предоставляет отношения (точная структура), и схема SQL предоставляет**неявный Domain-Driven Design**: bounded contexts, agrégats, value objects. LLM понимает предметную область, потому что читает её схему.

== Дорожная карта: от MVP0 до SaaS

[source]
----
MVP0 — Anonymiseur (ce que cet article décrit)
  Sortie : datasets propres, reproductible

MVP1 — RAG pgvector (dépend de MVP0)
  Realité augmentée en prompt sur données nettoyées

MVP2 — Graphify + ONNX + SQL DDD (dépend de MVP1)
  Vecteur composite de contexte (règles + similarité + relations exactes)

MVP3 — SaaS Edster (dépend de MVP0-2)
  Provisionnement workspace client complet
----

Каждый MVP зависит от предыдущего. Ни один не может быть доставлен без MVP0. Это причина, по которой Anonymiseur не является « P0 » в бэклоге — он**MVP0**. Это первый коммерческий продукт, и всё остальное зависит от его успеха.

== Вывод: невидимая работа, которая делает всё возможным

В традиционном стартапе очистка данных передаётся на аутсорсинг, выполняется вручную или игнорируется. В этой архитектуре это**сердце продукта**. Анонимизатор — первый сотрудник, потому что без него ничего не работает:

* Без MVP0 → нет правового RAG (MVP1)
* Без MVP0 → отсутствие тонкой настройки без утечки данных (EPIC 5)
* Без MVP0 → нет надёжного SaaS (MVP3)
* Без MVP0 → нет дополненной реальности в промпте
* Без MVP0 → нет третьего пути контекста (SQL DDD)

Он делает грязную работу. Его никогда не будут цитировать в питчах. Но именно он заставляет завод работать.

И поэтому его нанимают в первую очередь.

== Ссылки

* Статья о пространственной онтологии и кругах доверия:link:../2026/0114_gouvernance_cercles_confiance_ontologie_spatiale_alignement_llm_post.html[Пространственная онтология как механизм согласования]
* Статья о управлении агентом Eager/Lazy :link:../2026/0108_gouvernance_agent_opencode_eager_lazy_post.html[Управление агентом ИИ с помощью AsciiDoc]
* Статья о механизме Hot/Warm/Cold :link:../2026/0110_mecanisme_backup_contexte_agent_post.html[скользящее окно и холодная волна]
* Статья о сравнении трех LLM:link:../2026/0112_comparaison_kimi_glm_deepseek_long_contexte_plugin_gradle_opencode_post.html[DeepSeek-V4-Pro, Kimi K2.6, GLM-5.1]
----