بینشهای حریم خصوصی دادهها
مقالات کارشناسی در مورد امنیت هوش مصنوعی، انطباق با GDPR، حفاظت از دادههای بهداشتی و بهترین شیوههای ناشناسسازی PII.
تمام مقالات
Vibe Coding و نشت اطلاعات شخصی: خطر امنیتی که کسی از آن صحبت نمیکند
کدهای تولیدشده با هوش مصنوعی بهندرت مدیریت اطلاعات شخصی را در نظر میگیرند. ۷۳٪ از اپهای vibe-coded دادههای حساس را بدون ناشناسسازی پردازش میکنند. اینها چیزهایی است که توسعهدهندگان باید بدانند.
COPPA آوریل ۲۰۲۶: آنچه پلتفرمهای EdTech باید قبل از مهلت انجام دهند
قانون بهروزشده COPPA از ۲۲ آوریل ۲۰۲۶ اجرایی میشود. Reddit برای شکست در حفاظت از دادههای کودکان ۱۴.۴۷ میلیون پوند جریمه شد. پلتفرمهای EdTech با همین خطر روبرو هستند.
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.
امنیت سرور MCP در ۲۰۲۶: ۸,۰۰۰ در معرض نمایش، ۴۹۲ بدون احراز هویت
بیش از ۸,۰۰۰ سرور Model Context Protocol به صورت عمومی در معرض هستند. ۴۹۲ هیچ احراز هویتی ندارند. ۳۶.۷٪ آسیبپذیر به SSRF هستند. از اطلاعات شخصی در ابزارهای MCP خود محافظت کنید.
قانون هوش مصنوعی اتحادیه اروپا آگوست ۲۰۲۶: ناشناسسازی دادههای آموزشی برای رعایت ماده ۱۰
اجرای کامل قانون هوش مصنوعی اتحادیه اروپا از ۲ آگوست ۲۰۲۶ آغاز میشود. جریمهها تا ۳۵ میلیون یورو یا ۷٪ از گردش مالی جهانی. ماده ۱۰ ناشناسسازی دادههای آموزشی را الزامی میکند.
ناشناسسازی دائمی: ریسک spoliation
۳۴.۸٪ از ورودیهای ChatGPT حاوی دادههای حساس هستند (Cyberhaven). راهحل — ناشناسسازی دائمی — ریسک حقوقی خودش را ایجاد میکند: spoliation. ماده ۴(۵) GDPR.
صورتحساب ۸۰ هزار دلاری اعمال سیاهرنگ: راهحل افزونه Word
با نرخ ۲۰۰ تا ۴۰۰ دلار در ساعت، تولید ۱۰٬۰۰۰ سند ۲۶٬۰۰۰ تا ۸۰٬۰۰۰ دلار هزینه وقت وکیل دارد (RAND). تحقیق Bloomberg Law 2024 نشان داد اتوماسیون آن جدول زمانی را کاهش میدهد.
DLP مرورگر: مقایسه رویکردهای مسدودسازی و ناشناسسازی ۲۰۲۶
دو رویکرد در DLP مرورگر: مسدودسازی از ارسال PII به ابزارهای هوش مصنوعی جلوگیری میکند؛ ناشناسسازی داده را قبل از ارسال تبدیل میکند. یک مقایسه عینی.
Samsung سه بار کد منبع خود را به ChatGPT از دست داد
سه تیم مهندسی مجزای Samsung در آوریل ۲۰۲۳ کد اختصاصی و دادههای محرمانه را در ChatGPT وارد کردند. هر رویداد یک نقص متفاوت را آشکار کرد.
تحریمهای کشف الکترونیک: شکست هوش مصنوعی در اعمال سیاهرنگها
در پرونده Athletics Investment Group علیه Schnitzer Steel (2024)، اعمال نادرست سیاهرنگ منجر به تحریمهای کشف شد. با دقت ۲۲.۷٪ ابزارهای هوش مصنوعی، تیمهای حقوقی با مسئولیت واقعی مواجهاند.
نقضهای SaaS ۳۰۰٪ افزایش یافت: ZK الزامی است
Conduent اطلاعات ۲۵.۹ میلیون نفر را فاش کرد. NHS Digital: ۹ میلیون بیمار. مهاجمان در ۹ دقیقه به ارائهدهندگان SaaS نفوذ میکنند. وقتی فروشندهتان خودش هدف حمله است.
HIPAA در فضای ابری: معماری دانشصفر برای PHI
توافقنامههای Business Associate از نقض HIPAA جلوگیری نمیکنند وقتی ارائهدهنده ابری هوش مصنوعی PHI را بهصورت متن خام پردازش میکند. معماری دانشصفر چه مشکلی را حل میکند.
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).
ناشناسسازی اسناد Open-Source با LibreOffice
نحوه استفاده سازمانهای بخش عمومی از LibreOffice با افزونه anonym.legal برای ناشناسسازی اسناد منطبق با GDPR.
ناشناسسازی اسناد چندسکویی: Office و LibreOffice
چگونه سازمانهایی با محیطهای ترکیبی Microsoft Office و LibreOffice ناشناسسازی یکپارچه اطلاعات شخصی را با anonym.legal حفظ میکنند.
ممنوعیت هوش مصنوعی در سازمانها: بهرهوری در برابر ریسک
۲۷.۴٪ از محتوای چتباتهای هوش مصنوعی سازمانی شامل دادههای حساس است — افزایش ۱۵۶٪ نسبت به سال قبل. با این حال ۷۱.۶٪ از دسترسی به هوش مصنوعی از طریق حسابهای شخصی انجام میشود.
افزونههای امن هوش مصنوعی برای حریم خصوصی در ۲۰۲۶
در ژانویه ۲۰۲۶، دو افزونه مخرب کروم با بیش از ۹۰۰ هزار کاربر شناسایی شدند که هر ۳۰ دقیقه یکبار مکالمات ChatGPT و DeepSeek را به سرقت میبردند.
DLP مرورگر برای ChatGPT، Claude و Gemini
DLP سنتی سازمانی برای انتقال فایل و ایمیل ساخته شده بود، نه chatbotهای هوش مصنوعی. این راهنما پیشگیری از از دست دادن داده بومی مرورگر را برای ChatGPT پوشش میدهد.
وقتی CISOها پردازش ابری PHI را رد میکنند
۷۲۵ نقض داده بهداشتی در ۲۰۲۴ بر ۲۷۵ میلیون پرونده تأثیر گذاشت. با میانگین هزینه ۱۰.۲۲ میلیون دلار — بالاترین در هر صنعت — CISOهای بهداشتی به طور فزایندهای ابزارهای ابری PHI را رد میکنند. چرا و چگونه تیمهای بالینی این محدودیت را دور میزنند.
جریمه ۵۳۰ میلیون یورویی TikTok: حاکمیت داده GDPR
جریمه ۵۳۰ میلیون یورویی TikTok توسط کمیسیون حفاظت از داده ایرلند به خاطر انتقال داده اتحادیه اروپا به چین، دوران جدیدی در اجرای حاکمیت داده را آغاز کرده است. با ۵.۶۵ میلیارد یورو جریمههای GDPR تا سال ۲۰۲۵، انتخاب فروشنده اکنون یک تصمیم نظارتی است.
HHS 2025: یادداشتهای بالینی هوش مصنوعی نیاز به پیشگیری از PHI دارند
سیستمهای رونویسی هوش مصنوعی میتوانند به طور تصادفی PHI بیمار الف را در پرونده بیمار ب قرار دهند. در اینجا دلیل اهمیت تشخیص PHI بلادرنگ قبل از ثبت در EHR است.
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.
به حداقل رساندن داده GDPR: API بلادرنگ
ماده ۵(۱)(ج) GDPR جمعآوری فقط داده ضروری را الزامی میکند. یکپارچهسازی API بلادرنگ از جمعآوری بیش از حد در مرحله ارسال فرم جلوگیری میکند — قبل از اینکه داده شخصی به پایگاه داده برسد.
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, held by our hosting provider.
- 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
Automated checks run on every release.
Each surface gets its own sweep script and report.
Human reviewers spot-check the output each week.
We test detection against sample documents before each release.
A failing unit or integration run stops the release.
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.
Paid plans can buy top-up credits.
Credits reset at the end of each cycle.
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.