Presidio: راهاندازی ۳ هفتهای در برابر PII مدیریتشده
Microsoft Presidio هزاران ستاره GitHub و صدها مشکل باز دارد. پیچیدگی راهاندازی، سربار یکپارچهسازی PySpark، و وابستگیهای Python میتوانند هفتهها طول بکشند.
از ۶ هفته به ۳ روز: راهاندازی PII مدیریتشده
تیمهای SaaS بهداشتی ۶ هفته را صرف استقرار تولیدی Presidio خود-میزبان میکنند قبل از اینکه به API مدیریتشده تغییر دهند. API مدیریتشده این استقرار را جایگزین میکند.
تشخیص رایگان PII سالانه €۱۳ هزار هزینه دارد
راهاندازی Presidio به صورت خود-میزبان ۴۰ تا ۸۰ ساعت راهاندازی اولیه و ۵ تا ۱۰ ساعت نگهداری ماهانه نیاز دارد. با نرخ مهندسی €۱۰۰ در ساعت، این €۱۳٬۲۰۰ یا بیشتر است.
مشکل دقت ۲۲.۷٪ Presidio
یک معیار ۲۰۲۴ نشان داد که تشخیصدهنده نام افراد Presidio در اسناد تجاری به دقت ۲۲.۷٪ میرسد — یعنی ۷۷.۳٪ از تشخیصها مثبت کاذب هستند.
حریم خصوصی قابل بازتولید: پیشتنظیمهای ML
익명화 دادههای آموزشی ML باید منسجم و قابل بازتولید باشد. اگر دانشمند داده A و B انواع موجودیت متفاوتی اعمال کنند، مجموعه دادههای آموزشی ناسازگار میشوند.
خط لوله GDPR: PII را قبل از ذخیرهسازی ناشناس کنید
برچسبهای ستون dbt انطباق GDPR نیستند. دادههای خام مشتری قبل از اعمال سیاستهای برچسبمحور به انبار Snowflake شما بدون ماسک میرسند.
FOIA: هوش مصنوعی تحریر را از هفتهها به ساعتها کاهش میدهد
دولت فدرال آمریکا در سال ۲۰۲۴ حدود ۵۰۰ میلیون دلار برای پردازش FOIA هزینه کرد، عمدتاً برای تحریر دستی. ARPA-H صراحتاً نرمافزار تحریر هوش مصنوعی خریداری کرد تا این بار را کاهش دهد.
ناشناسسازی دادههای آموزشی ML مطابق GDPR
GDPR استفاده از دادههای شخصی برای آموزش ML فراتر از هدف اولیه جمعآوری را محدود میکند. دانشمندان داده که به اسکریپتهای یکبار مصرف پایتون تکیه میکنند، شکافهای انطباقی جدی ایجاد میکنند.
FOIA: 80٪ سریعتر با حذف دستهای
آژانسهای فدرال آمریکا در سال مالی 2024 معادل 1.5 میلیون درخواست FOIA دریافت کردند با میانگین هزینه 482 دلار به ازای هر درخواست. حذف دستهای PII زمان پردازش را کاهش میدهد.
Presidio در برابر anonym.legal: ساخت در مقابل خرید
Microsoft Presidio از نظر فنی رایگان است اما برای استقرار مناسب 40 تا 80 ساعت مهندسی هزینه میبرد. anonym.legal همان دقت یادگیری ماشین را به عنوان یک SaaS مدیریتشده ارائه میدهد.
حریم خصوصی ایرگپ: ناشناسسازی آفلاین
محیطهای FedRAMP و ITAR یک چیز مشترک دارند — ابر گزینهای نیست. شبهناشناسسازی برگشتپذیر تحت ماده ۴ GDPR.
هزینه پنهان مثبتهای کاذب در ابزارهای تشخیص اطلاعات شخصی
مسئله GitHub شماره ۱۰۷۱ پروژه Presidio مثبتهای کاذب سیستماتیک را مستند میکند. یک مطالعه ۲۰۲۴ دقت ۲۲.۷ درصدی را در مجموعه دادههای سازمانی چندزبانه نشان داد.
اطلاعات شخصی عربی و عبری: ابزارهای غربی شکست میخورند
GDPR در بسفر تمام نمیشود. اطلاعات شناسایی شخصی به زبان عربی و عبری در فرآیندهای کاری شرکتهای اتحادیه اروپا بهطور سیستماتیک بیحفاظت رها شدهاند. شناسایی چندزبانه با XLM-RoBERTa و.
اطلاعات شخصی چندزبانه: ابزارهای تکزبانه شکست میخورند
۷۲٪ از شرکتهای اروپایی اسناد را بهطور همزمان در ۳ یا بیشتر زبان پردازش میکنند. اسناد چندزبانه باعث ۴۵٪ افزایش نرخ از دست دادن اطلاعات شخصی در ابزارهای NER تکزبانه میشوند.
PII در آسیا-اقیانوسیه: تایلندی، اندونزیایی، ویتنامی
یک فینتک سنگاپوری که ماهانه ۵۰۰,۰۰۰ چت پشتیبانی در ۱۲ زبان APAC پردازش میکند، دریافت که ابزار انگلیسیمحورشان PII را در ۶۰٪ از چتهای غیرانگلیسی از دست میدهد.
مثبتهای کاذب: چرا حذف ML شکست میخورد
یک معیار ۲۰۲۴ نشان داد Presidio در ۴,۴۳۴ نمونه ۱۳,۵۳۶ تشخیص نام مثبت کاذب تولید کرد — ضمایر، نام کشتیها، و نام کشورها را به عنوان نام شخص علامتگذاری کرد.
ISO 27001 + ZK زمان ارزیابی فروشنده را کاهش میدهد
یک نظرسنجی ۲۰۲۵ نشان داد «فقدان گواهینامه امنیتی معتبر» دومین دلیل CISOها برای رد کردن فروشندگان SaaS بود. اینجاست که ISO 27001 + معماری zero-knowledge چه تفاوتی ایجاد میکند.
معماری ZK چرخههای فروش را کوتاه میکند
پرسشنامههای امنیتی فروشندگان سازمانی بهطور میانگین بیش از ۱۰۰ سوال دارند. معماری zero-knowledge به سختترین آنها پاسخ قطعی میدهد — و معامله را میبندد.
نقض LastPass: درسهای امنیتی فروشنده
LastPass دادههای کاربرانش را رمزگذاری کرد. والتها همچنان خارج شدند. ۶۰۰ هزار+ سابقه Okta به دنبال آمد. رویدادهای امنیتی SaaS از ۲۰۲۲ تا ۳۰۰٪ افزایش یافت.
ارزیابی ادعاهای ZK پس از LastPass
۴۳۸ میلیون دلار از کاربران LastPass پس از نقض 'والتهای رمزگذاریشده' دزدیده شد. جریمه ۱.۲ میلیون پوندی ICO به دنبال آمد. اینجا چکلیست ارزیابی اینکه یک.
LangChain CVE-2025-68664: چگونه اطلاعات شخصی از Pipeline RAG شما نشت میکند
CVSS 9.3. توابع سریالسازی LangChain متغیرهای محیطی و رمزها را در معرض LLMهای کنترلشده توسط مهاجم قرار میدهند. چگونه نشتهای اطلاعات شخصی را شناسایی و رفع کنیم.
افزونه ناشناسسازی PII برای LibreOffice
راهنمای گام به گام ناشناسسازی PII در اسناد LibreOffice با استفاده از افزونه anonym.legal.
LibreOffice در مقابل Office: Redaction PII
مقایسه دقیق قابلیتهای ناشناسسازی PII در LibreOffice (افزونه anonym.legal) در مقابل Microsoft Office (Office Add-in).
چرا تشخیص باینری PII در انطباق شکست میخورد
پرچمگذاری شناساییشده/شناسایینشده برای زمینههای انطباق که به قضاوت انسانی نیاز دارند ناکافی است. در اینجا چرا امتیازدهی اطمینان ناشناسسازی PII را از یک حدس باینری به یک کنترل انطباق قابل حسابرسی تبدیل میکند.
پراکندگی فرمت سند در ابزارهای PII
یک پاسخ DSAR ممکن است شامل قراردادهای Word، فاکتورهای PDF، لیستهای مشتری Excel، و صادرات CSV باشد. استفاده از ابزارهای مختلف برای هر فرمت شکافهای انطباقی ایجاد میکند.
ناشناسسازی گزارشهای GDPR: اشکالزدایی را حفظ کنید
گزارشهای برنامه به آرامی ایمیلهای کاربر، آدرسهای IP، و شماره حساب انباشته میکنند. اینجا نحوه اشتراکگذاری گزارشها با اشخاص ثالث، پیمانکاران، و ابزارهای مشاهدهپذیری GDPR-Safe را نشان میدهیم.
GDPR در گزارشهای برنامه: انطباق PII در JSON
گزارشهای برنامه حاوی آدرسهای ایمیل مشتری، IPها، و شماره حسابهایی هستند که ماده ۵(۱)(e) GDPR مدیریت آنها را الزامی میکند.
حفاظت از اطلاعات شخصی در چند برنامه: Word، Chrome و هوش مصنوعی
دادههای مشتری از مرورگر به Word و از آنجا به Claude منتقل میشود. هر بار که زمینه عوض میشود، خطر نشت اطلاعات وجود دارد.
انطباق اطلاعات شخصی در چند پلتفرم: Mac، Linux و Windows
مسئولان حریم خصوصی روی Mac، تیم حقوقی روی Windows، مهندسان داده روی Linux — همه همان داده را با ابزارهای متفاوت پردازش میکنند.
PII بدون اتصال شبکه: آفلاین-اول برای دفاع
41% از سیاستهای امنیتی سازمانی پردازش ابری اسناد طبقهبندی شده را ممنوع میکنند.
انتخاب بین ویرایش برگشتپذیر و دائمی
GDPR بین ناشناسسازی و شبهناشناسسازی تمایز قائل میشود. دادگاهها به نسخههای اصلی نیاز دارند. تحقیقات به شناسایی مجدد نیاز دارد. بیاموزید چه زمانی از هر رویکرد استفاده کنید.
NER چند زبانه: انگلیسی در عربی شکست میخورد
مدلهای NER انگلیسی به دقت 85-92% میرسند. عربی و چینی؟ اغلب 50-70%. درباره چالشهای فنی و چگونگی ساخت سیستم واقعی بیاموزید.
استفاده از Claude و ChatGPT بدون افشای اطلاعات شخصی
راهنمای توسعهدهنده برای استفاده ایمن از دستیاران هوش مصنوعی. یکپارچهسازی MCP Server را برای محافظت شفاف از اطلاعات شخصی در Claude Desktop، Cursor و VS Code راهاندازی کنید.
امروز شروع به محافظت از دادههای خود کنید
بیش از ۲۸۵ نوع نهاد، ۴۸ زبان، امنیت در سطح سازمان با قیمتهای استارتاپ.
About this page
We update this page when our platform or the law changes.
Read our founder note for how we work.
Each change shows up in the timestamp at the top.
Related reading
We follow these rules
- GDPR (EU 2016/679).
- ISO/IEC 27001:2022.
- NIS2 (EU 2022/2555).
- HIPAA safe harbor under 45 CFR § 164.514(b)(2).
Our promise
We do not sell your data.
We do not train models on your text.
We store your files in Germany.
You can delete your account at any time.
You own your work.
Where we run
Our company HQ is in Saarbrücken, Germany. Our servers run in Hetzner's Falkenstein datacenter.
Hetzner holds ISO 27001 certification.
All data stays in the EU.
Backups run every day.
Need help?
Email support@anonym.legal.
We reply within one business day.
How we test
We run a full check suite on every release.
Each surface gets its own sweep script and report.
Human reviewers spot-check the output each week.
We track recall and precision on a labelled set.
Bad runs block the deploy.
What we never do
- We never sell your information to third parties.
- We never train models on what you upload.
- We never keep your work after you delete it.
- We never share keys with any outside firm.
- We never run ads inside the product.
Plans in plain words
We sell credits, not seats.
One credit covers one short job.
Long jobs use a few credits each.
You can top up at any time.
Unused credits roll over each month.
Read the plans page for current rates.
Who built this
A small team of engineers and lawyers built this.
We ship from Europe and work in the open.
Our founder note spells out why we started.
Where to start
- Open the web app and try a sample file.
- Learn how credits get counted.
- See current plans and limits.
- Meet the team behind the product.
How the parts fit
A browser add-on cleans text inside Chrome.
A Word plug-in handles drafts in Office.
A small desktop tool works on whole folders.
An agent protocol link feeds large models safely.
All four share one core engine and one rule set.
Words from our team
We started this work after a lunch about cookies.
One friend kept getting odd ads on her phone.
We asked why a court file leaked through a draft.
We sketched the first build on a napkin that week.
By month three we had a tiny demo for a friend.
She used it on her first case the next day.
Common questions we hear
Can the tool read scanned PDFs? Yes, with OCR.
Does it work on long files? Yes, in small chunks.
Can I roll my own rule set? Yes, save it as a preset.
Does it run offline? The desktop build runs offline.
Do you keep my files? No, the cloud build wipes after each run.
Will it learn from my work? No, we never train on inputs.
A short tour of the workflow
Upload a file or paste a snippet of prose.
Pick the entities you want gone from the draft.
Choose a method: replace, mask, hash, encrypt, or redact.
Press run and watch the side panel show each hit.
Skim the result and tweak any rule that misfired.
Save the cleaned file or send it to a teammate.