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
جایگذاری و فراموش کردن: چرا برجستهسازی بر آموزش انطباق برتری دارد
۶۲٪ از کارمندانی که از ابزارهای هوش مصنوعی برای کار با داده مشتری استفاده میکنند «گاهی» فراموش میکنند ابتدا PII را حذف کنند. در اینجا توضیح میدهیم چرا برجستهسازی خودکار مانع انطباق را حذف میکند.
تله حذف اطلاعات PDF: دادههای افشاشده
پروندههای اپستین در وزارت دادگستری، پرونده مانافورت، و نشتهای NSA همگی یک نقص مشترک دارند: حذف ظاهری اطلاعات که متن زیرین را قابل استخراج میگذارد.
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.
PII در Excel: ناشناسسازی صدها ستون
فایلهای Excel از پرتراکمترین اسناد PII در عملیات تجاری هستند. اینجا توضیح میدهیم چرا تحلیل متن استاندارد روی صفحات گسترده شکست میخورد و چه زمینه ستونی کمک 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.
PII متن آزاد در CSV: فراتر از حذف ستون
CSVهای نظرسنجی PII را نه فقط در ستونهای ساختاریافته بلکه در پاسخهای متن آزاد دارند. حذف ستون استاندارد PII که استاندارد GDPR را نقض میکند از دست میدهد.
کشف الکترونیکی چند فرمت: شکاف انطباق
تولیدات e-discovery و DSARهای GDPR شامل PDFها، اسناد Word، Excel، و صادرات JSON هستند. استفاده از ابزارهای مختلف برای هر فرمت شکافهای هماهنگی ایجاد میکند.
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.
اسناد اسکنشده قدیمی و GDPR: OCR و شناسایی اطلاعات شخصی
حق پاکسازی داده در GDPR بدون توجه به قالب فایل اعمال میشود. آرشیوهای PDF مبتنی بر تصویر از بایگانیهای کاغذی از این قانون معاف نیستند.
نشت اطلاعات شخصی از طریق اسکرینشات در ابزارهای داخلی
Slack، Teams، Jira و ایمیل بهطور منظم اسکرینشاتهایی با اطلاعات شخصی مشتریان دریافت میکنند. این نقض کنترل دسترسی، همه ابزارهای DLP را دور میزند.
OCR فرمهای دستنویس و شناسایی اطلاعات شخصی در بهداشت و بیمه
یک بیمارستان متوسط سالانه ۵۰,۰۰۰ فرم ورودی دستنویس پردازش میکند. حذف دستی اطلاعات شخصی در این حجم نیازمند ۰.۵ نیروی تماموقت است.
اطلاعات شخصی در پژوهش: اسکرینشاتها و GDPR
مقالات علمی بهطور منظم شامل DataFrameهای pandas و خروجی R با سوابق واقعی بیمار به عنوان نمونههای روششناسی هستند. این یک نقض GDPR است.
اطلاعات شخصی در ویکی داخلی: داده مشتریان در Confluence
تیمهای پشتیبانی فرآیندها را با اسکرینشات حساب مشتری مستند میکنند. در طول ۳ سال، این هزاران نقض اصل حداقلسازی داده GDPR در پایگاه دانش داخلی شماست.
دستیاران کدنویسی هوش مصنوعی اطلاعات شخصی تولید را نشت میدهند
فیکسچرهای تست واحد با سوابق مشتری واقعی. فایلهای گزارش با داده تولید برای رفع اشکال. GitHub در سال ۲۰۲۴ ۳۹ میلیون راز فاششده پیدا کرد.
پراکندگی ابزارهای اطلاعات شخصی در ممیزیهای انطباق شکست میخورد
چهار ابزار مختلف برای چهار جریان کاری مختلف به معنای چهار مجموعه پوشش موجودیت مختلف و چهار ردپای حسابرسی متفاوت است.
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.
GDPR، CCPA و PDPA در یک ابزار
کارکنان اتحادیه اروپا تحت GDPR، کارکنان آمریکا با دادههای CCPA و کارکنان آسیا-اقیانوسیه تحت PDPA. سه حوزه قضایی، یک تیم توزیعشده.
شکست ممیزی GDPR: ابزارهای اطلاعات شخصی پراکنده
ممیز شما از کنترلهای تشخیص اطلاعات شخصی میپرسد. «ما از پنج ابزار مختلف استفاده میکنیم» پاسخ درستی نیست. اینجا توضیح میدهیم چرا.
کار از راه دور و GDPR: مشکل ناسازگاری پلتفرم
تیمهای داخل دفتر از نرمافزار کامل دسکتاپ استفاده میکنند. کارکنان از راه دور از وباپهایی با تنظیمات احتمالاً متفاوت استفاده میکنند.
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.
BfDI آلمان: راهنمای انطباق با مرجع حفاظت از داده
آلمان در سال ۲۰۲۴ بیش از ۲۷٬۸۲۹ گزارش نقض داده GDPR ثبت کرد — بیشتر از هر کشور عضو اتحادیه اروپا. این برای کنترلهای فنی اطلاعات شخصی چه معنایی دارد.
CNIL فرانسه: انطباق فنی با GDPR
CNIL در سال ۲۰۲۳ بیش از ۱۶٬۴۳۳ شکایت را پردازش کرد و از سال ۲۰۱۹ بیش از ۱۵۰ میلیون یورو جریمه صادر کرده. راهنمای هوش مصنوعی آن ناشناسسازی مستند برای داده آموزشی را اجباری میکند.
ICO بریتانیا: تفاوتهای GDPR پس از برکزیت
ICO در دسامبر ۲۰۲۵ جریمهای ۱.۲ میلیون پوندی به LastPass برای رمزنگاری ناکافی صادر کرد. این حکم رمزنگاری سمت کاربر را به عنوان یک الزام قانونی تثبیت میکند.
Garante ایتالیا: راهنمای انطباق هوش مصنوعی و اطلاعات شخصی
Garante ایتالیا در دسامبر ۲۰۲۴ جریمهای ۱۵ میلیون یورویی به OpenAI صادر کرد و در سال ۲۰۲۳ ChatGPT را موقتاً ممنوع کرد. اینجا آنچه تهاجمیترین نهاد نظارتی هوش مصنوعی ایتالیا الزامی میداند توضیح داده میشود.
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.