Hvordan anonym.legal Fungerer
Deterministisk, regex-baseret PII detektion der leverer 100% reproducerbare resultater. Samme input, samme output—hver gang. Ingen AI, ingen gætteri, kun gennemsigtig mønstergenkendelse.
How Does PII Detection Work?
PII detection identifies personal data in text using pattern matching and machine learning. anonym.legal uses a hybrid approach:
- 1Pattern Matching: Regex patterns detect structured data (SSNs, credit cards, IBANs) with checksum validation.
- 2Named Entity Recognition: NER models identify names, locations, and organizations in 48 languages.
- 3Context Scoring: Each detection is scored based on surrounding context to minimize false positives.
This hybrid approach detects 285+ entity types while maintaining deterministic, reproducible results — essential for compliance and legal discovery.
Hvorfor Regex, Ikke AI?
Vores Tilgang
- 100% reproducerbare resultater
- Fuldstændig reviderbar for overholdelse
- Ingen træningsdata krævet
- Gennemsigtig beslutningstagning
- Hurtig, forudsigelig ydeevne
- Ingen modelafvigelse over tid
AI/ML Tilgange
- Resultater varierer mellem kørsel
- Black box beslutningstagning
- Kræver træningsdata
- Svært at revidere
- Højere beregningsomkostninger
- Modelafvigelse over tid
Den 10-Trins Proces
Fra input til output, her er præcist hvad der sker med dit dokument
Input Tekst
Indsend dit dokument via webinterface, API, eller Office Add-in
Sprogdetektion
Systemet identificerer dokumentets sprog for optimal behandling
Tokenisering
Teksten opdeles i tokens til mønstergenkendelse
Mønstergenkendelse
Regex-mønstre scanner for 285+ enhedstyper
Kontekstanalyse
Omgivende tekst forbedrer detektionsnøjagtigheden
Tillidsscore
Hver detektion modtager en tillidsscore
Enhedsklassifikation
Detekterede elementer kategoriseres efter type
Gennemgå Resultater
Se alle detektioner med positioner og scorer
Anvend Anonymisering
Vælg din metode: Erstat, Rediger, Hash, Krypter, eller Masker
Output Dokument
Download dit anonymiserede dokument
MCP Server: Privacy-First AI Integration
Hvordan dine data flyder gennem MCP Serveren for at holde AI værktøjer sikre
AI Værktøj Anmodning
Dit AI værktøj (Cursor, Claude) sender en anmodning indeholdende PII
MCP Server Opsnapper
Serveren analyserer og detekterer alle PII enheder
Anonymisering
PII erstattes med tokens eller redigeres
AI Behandling
AI modtager og behandler kun anonymiserede data
Respons Retur
AI respons kommer tilbage gennem MCP Serveren
De-tokenisering
Valgfrit: Originale værdier gendannes for brugeren
Virkeligt Eksempel
Behandl betaling for John Doe, e-mail john@example.com, kort 4532-1111-2222-3333Hvad AI ser
Behandl betaling for PII_PERSON_001, e-mail PII_EMAIL_001, kort PII_CREDIT_CARD_001Hvad du får tilbage
Frequently Asked Questions
Why use regex instead of AI for PII detection?
Regex-based detection is deterministic and reproducible. The same input always produces the same output. AI/ML models can be unpredictable and may miss or falsely flag data. For compliance, reproducibility matters.
How accurate is the detection?
Our hybrid approach combines regex patterns with Named Entity Recognition (NER) for high accuracy. All patterns include checksum validation where applicable (credit cards, IBANs, SSNs). False positives are minimized through context-aware scoring.
What happens to my data during processing?
Text is sent to our EU-hosted servers (Hetzner, Germany) over TLS 1.3 for analysis. We don't store your data after processing. With Zero-Knowledge auth, we can't even identify which user made the request.
Can I add custom entity types?
Yes! You can create custom recognizers with your own regex patterns and context words. Custom entities support the same operators (replace, mask, hash, encrypt, redact) as built-in types.
How does reversible encryption work?
The Encrypt operator uses AES-256-GCM encryption with your key. Only you can decrypt. This allows re-identification for audits or legal discovery while keeping data protected in transit and storage.
Se Det I Aktion
Prøv vores PII detektion og anonymisering gratis med 200 tokens pr. cyklus.