AWS、LLMを活用したモデル非依存の個人情報検出手法を公開　プロンプト変更のみで独自形式や8言語に対応

要点

• アマゾン・ウェブ・サービス（AWS）は、大規模言語モデル（LLM）を活用して個人を特定できる情報（PII）を検出するモデル非依存のフレームワークとサンプルコード「pii-detector」を公開した。

• 従来の固定的なトークン分類モデルと異なり、再学習を行わずにプロンプトの指示を変更するだけで新しい個人情報の種別や独自識別子を追加できる。

• 翻訳処理を挟まずに8言語の文脈を解釈できるほか、Amazon Bedrock上のマネージドモデルや自社GPU環境で動作するオープンモデルなど多様なバックエンドに対応する。

• 5つの公開コーパスを用いた検証を実施しており、OpenAIの「PrivacyFilter」を含む計9種類のLLM検出器との比較評価が行われている。

• 米アマゾン・ウェブ・サービス（AWS）は2026年9月10日、大規模言語モデル（LLM）を活用してテキスト内の個人情報を高精度かつ柔軟に検出する手法を発表した。あわせて、この仕組みを実装したオープンソースのサンプルコード「pii-detector」を公開している。

モデル学習における個人情報漏洩の課題と従来ツールの制約

AIモデルを実世界のテキストデータでファインチューニング（既存の学習済みモデルを用途に合わせて追加学習させる手法）する際、データセットに含まれる個人情報（PII: Personally Identifiable Information）の適切な検出と除去が重要な課題となっている。学習用コーパスには、氏名や住所、電話番号、メールアドレス、マイナンバーや社会保障番号、銀行口座、生年月日などの多様な個人情報が含まれやすい。これらを事前に除去せずに学習させた場合、モデルが情報を記憶し、通常のプロンプトを介して第三者に実在する個人の情報が出力・漏洩してしまう危険性がある。

しかし、実際の個人情報は整形式のデータベースだけでなく、顧客サポートの問い合わせ履歴や社内チャットログ、人事データ、自由記述欄といった非定型のテキストに混在している。これらを検出するために従来用いられてきた双方向トランスフォーマーなどのトークン分類モデルは、モデルの学習時に定義された固定の分類スキーマに依存していた。そのため、企業独自の社員番号や暗号資産のウォレットアドレスといった特殊な識別子を検出対象に加えたい場合、データの再ラベリングやモデルの再学習が必要となり、特定のモデルや運用環境に縛られる問題があったという。

指示文の書き換えのみで検出対象を拡張できる「指示駆動型」の設計

今回AWSが提示した手法は、LLMが推論時に与えられた指示を解釈して動作する特性を活かし、検出ロジックをコードではなくプロンプトの指示文とシンプルな解析層に集約させた「指示駆動型」のアプローチを採用している。

利用者は、検出したい個人情報の種類や期待する出力形式をプロンプトとしてモデルに与えるだけでよい。これにより、検出対象に新しい識別子を追加する際にも、モデルの再学習を行うことなく指示文を編集するだけで即座に対応が可能となる。また、言語ごとに翻訳処理を挟むことなく、8言語にわたるテキストの文脈を直接把握して個人情報を特定できる点も大きな特徴だとしている。

Bedrockから自社GPU環境までカバーする共通インターフェース

この検出フレームワークは、特定のモデルや実行環境に依存しない「モデル非依存（Model-agnostic）」の構造を持つ。検出器の中核となる言語モデルは差し替え可能なコンポーネントとして設計されており、「Inferencer」と呼ばれる統一された推論インターフェースを介してアクセスする。

パッケージには、フルマネージドサービスである「Amazon Bedrock」を介してMistralやOSS-GPTといったモデルを呼び出すアダプターが同梱されている。さらに、同様のインターフェースを通じて、自社が管理する仮想プライベートクラウド（VPC）やGPUインフラ上で稼働するオープンモデル（OSS-GPT 20Bなど）と連携させることも可能だ。これにより、外部ネットワークへの通信が制限されたセキュアな環境やエアギャップ環境（外部から完全に物理的・論理的に隔離されたネットワーク環境）であっても、自社インフラ内で完結して検出器を運用できると説明している。

実装パッケージとOpenAI PrivacyFilter等との比較検証

AWSはこの手法を実装したPythonパッケージ「pii-detector」をGitHub上の「sample-llm-pii-detection」リポジトリにて公開しており、利用者が自身のデータセットに対して容易に環境構築と実行を行えるようにしている。

また、本手法の実効性を検証するため、5つの公開PIIコーパスを用いたベンチマーク評価が実施された。検証では、OpenAIが提供する「PrivacyFilter」を含む計9種類のLLMベース検出器を対象に比較が行われており、利用者は求められる検出精度、処理速度（レイテンシ）、運用コストに応じて、最先端の商用モデルから軽量なオープンモデルまで最適なモデルを柔軟に選択・構成できるとしている。