anonym.legal

Πώς Λειτουργεί το anonym.legal

Καθοριστική, βασισμένη σε regex ανίχνευση PII που παρέχει 100% αναπαραγώγιμα αποτελέσματα. Ίδιο εισαγωγή, ίδιο έξοδο—κάθε φορά. Χωρίς AI, χωρίς υποθέσεις, μόνο διαφανής αντιστοίχιση προτύπων.

How Does PII Detection Work?

PII detection identifies personal data in text using pattern matching and machine learning. anonym.legal uses a hybrid approach:

  1. 1
    Pattern Matching: Regex patterns detect structured data (SSNs, credit cards, IBANs) with checksum validation.
  2. 2
    Named Entity Recognition: NER models identify names, locations, and organizations in 48 languages.
  3. 3
    Context 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.

Γιατί Regex, Όχι AI;

Η Προσέγγισή Μας

  • 100% αναπαραγώγιμα αποτελέσματα
  • Πλήρως ελέγξιμα για συμμόρφωση
  • Δεν απαιτούνται δεδομένα εκπαίδευσης
  • Διαφανής λήψη αποφάσεων
  • Γρήγορη, προβλέψιμη απόδοση
  • Καμία παρέκκλιση μοντέλου με την πάροδο του χρόνου

Προσεγγίσεις AI/ML

  • Τα αποτελέσματα ποικίλλουν μεταξύ των εκτελέσεων
  • Απόφαση μαύρης κουτί
  • Απαιτεί δεδομένα εκπαίδευσης
  • Δύσκολο να ελεγχθεί
  • Υψηλότερο κόστος υπολογισμού
  • Παρέκκλιση μοντέλου με την πάροδο του χρόνου

Η Διαδικασία 10 Βημάτων

Από την είσοδο στην έξοδο, να τι ακριβώς συμβαίνει στο έγγραφό σας

1

Κείμενο Εισόδου

Υποβάλετε το έγγραφό σας μέσω διαδικτυακής διεπαφής, API ή πρόσθετου του Office

2

Ανίχνευση Γλώσσας

Το σύστημα αναγνωρίζει τη γλώσσα του εγγράφου για βέλτιστη επεξεργασία

3

Διαχωρισμός σε Tokens

Το κείμενο διασπάται σε tokens για αντιστοίχιση προτύπων

4

Αντιστοίχιση Προτύπων

Τα πρότυπα regex σαρώνουν για 285+ τύπους οντοτήτων

5

Ανάλυση Πλαισίου

Το περιβάλλον κειμένου βελτιώνει την ακρίβεια ανίχνευσης

6

Βαθμολόγηση Εμπιστοσύνης

Κάθε ανίχνευση λαμβάνει μια βαθμολογία εμπιστοσύνης

7

Κατηγοριοποίηση Οντοτήτων

Οι ανιχνευμένες οντότητες κατηγοριοποιούνται κατά τύπο

8

Ανασκόπηση Αποτελεσμάτων

Δείτε όλες τις ανιχνεύσεις με θέσεις και βαθμολογίες

9

Εφαρμογή Ανωνυμοποίησης

Επιλέξτε τη μέθοδο σας: Αντικατάσταση, Εξαίρεση, Hash, Κρυπτογράφηση ή Μάσκα

10

Έγγραφο Έξοδου

Κατεβάστε το ανωνυμοποιημένο έγγραφό σας

Διαθέσιμο μόνο σε σχέδια Pro και Business

MCP Server: Ενσωμάτωση AI με Προτεραιότητα την Ιδιωτικότητα

Πώς ρέουν τα δεδομένα σας μέσω του MCP Server για να διατηρούν τα εργαλεία AI ασφαλή

1

Αίτημα Εργαλείου AI

Το εργαλείο AI σας (Cursor, Claude) στέλνει ένα αίτημα που περιέχει PII

2

Ο MCP Server Παρεμβαίνει

Ο Server αναλύει και ανιχνεύει όλες τις οντότητες PII

3

Ανωνυμοποίηση

Η PII αντικαθίσταται με tokens ή εξαφανίζεται

Safe data only
4

Επεξεργασία AI

Ο AI λαμβάνει και επεξεργάζεται μόνο ανωνυμοποιημένα δεδομένα

5

Επιστροφή Απάντησης

Η απάντηση AI επιστρέφει μέσω του MCP Server

6
Optional

Απο-αντικατάσταση

Προαιρετικό: Αποκατάσταση των αρχικών τιμών για τον χρήστη

Πραγματικό Παράδειγμα

Πριν (με PII)
Διαδικασία πληρωμής για τον John Doe, email john@example.com, κάρτα 4532-1111-2222-3333

Αυτό που βλέπει ο AI

Μετά (ανωνυμοποιημένο)
Διαδικασία πληρωμής για PII_PERSON_001, email PII_EMAIL_001, κάρτα PII_CREDIT_CARD_001

Αυτό που παίρνετε πίσω

Ο AI δεν βλέπει ποτέ την πραγματική σας PII
Αναστρέψιμο με τη λειτουργία αντικατάστασης
Τα ίδια κόστη tokens με την διαδικτυακή εφαρμογή
Λειτουργεί με πολλά εργαλεία AI
Ασφάλεια επιπέδου επιχείρησης

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.

Δείτε το σε Δράση

Δοκιμάστε την ανίχνευση και ανωνυμοποίηση PII δωρεάν με 200 tokens ανά κύκλο.