Technikai
Mélyreható elemzések a PII észleléséről, NER-ről és anonimizálási technológiáról
33 cikkek
Presidio: 3 hetes beállítás vs. kezelt PII
A Microsoft Presidio-nak több ezer GitHub-csillaga és több száz nyitott issue-ja van. A beállítás összetettsége, a PySpark-integrációs terhelés és a Python-függőségek komoly kihívást jelentenek.
6 hétből 3 nap: kezelt PII-integráció
Az egészségügyi SaaS-csapatok 6 hetet töltenek a saját Presidio-telepítés éles üzemeltetésre való felkészítésével, majd kezelt API-ra váltanak. A kezelt API lecseréli a teljes telepítési projektet.
Az „ingyenes” PII-felismerés évi 13 000 euróba kerül
A Presidio saját üzemeltetése 40–80 óra kezdeti beállítást és havi 5–10 óra karbantartást igényel. 100 eurós mérnöki óradíjjal számolva ez 13 200 euró vagy több.
A Presidio 22,7%-os precizitási problémája
Egy 2024-es benchmark szerint a Presidio személynév-felismerője üzleti dokumentumokon 22,7%-os precizitást ér el — vagyis a felismerések 77,3%-a téves pozitív.
Reprodukálható adatvédelem: ML-presetek
Az ML-betanítási adatok anonimizálásának következetesnek és reprodukálhatónak kell lennie. Ha az A és B adattudós különböző entitástípusokat alkalmaz, a betanítási adatkészletek inkonzisztensek lesznek.
GDPR-biztos adatcsatorna: anonymizálás tárolás előtt
A dbt oszlopcímkék nem egyenlők a GDPR-megfelelőséggel. A nyers ügyféladatok a Snowflake adattárházba kerülnek maszkolás nélkül, mielőtt a címkealapú szabályok életbe lépnének.
FOIA: Redakció hetekből órákba
A szövetségi kormány becslések szerint 500 millió dollárt költött FOIA-feldolgozásra 2024-ben, főként kézi redakcióra. Az ARPA-H kifejezetten MI-alapú redakciós szoftvert keresett az igények kezelésére.
GDPR-megfelelő ML-tanítóadat-anonymizálás
A GDPR korlátozza a személyes adatok gépi tanulási célú felhasználását az eredeti gyűjtési célon túl. Az ad hoc Python-szkriptre támaszkodó adattudósok megfelelőségi kockázatot teremtenek.
FOIA: 80%-kal gyorsabban kötegelt szerkesztéssel
Az amerikai szövetségi szervek 1,5 millió FOIA-kérelmet kaptak a 2024-es pénzügyi évben, kérelmenként átlagosan 482 dolláros feldolgozási költséggel. A kötegelt PII-szerkesztés a feldolgozási időt hetekre, nem hónapokra csökkenti.
Presidio vs. anonym.legal: 40 óra konfiguráció vagy 15 perc?
A Microsoft Presidio technikailag ingyenes, de megfelelő telepítéséhez 40–80 mérnöki munkaóra szükséges. Az anonym.legal ugyanazt az ML-pontosságot kínálja felügyelt SaaS-szolgáltatásként.
Légréses adatvédelem: Anonimizálás offline
A FedRAMP és az ITAR környezetekben van egy közös vonás — a felhő nem opció. A visszafordítható álnevesítés a GDPR 4. cikke szerint.
A téves riasztások ára a személyes adat-detektáló eszközöknél
A Presidio GitHub-issue #1071 szisztematikus téves riasztásokat dokumentál. Egy 2024-es tanulmány 22,7%-os pontosságot mért vegyes nyelvű vállalati adatkészleteken.
Arab és héber személyes adatok: a nyugati eszközök csődöt mondanak
A GDPR nem ér véget a Boszporusznál. Az arab és héber személyes adatok az EU üzleti folyamataiban szisztematikusan védtelenek. Az XLM-RoBERTa keresztnyelvű detektálás és a régióspecifikus entitástípusok zárják be ezt a joghézagot.
Vegyes nyelvű PII: az egynyelvű eszközök csődöt mondanak
Az EU-s vállalkozások 72%-a egyszerre három vagy több nyelven dolgoz fel dokumentumokat. A vegyes nyelvű dokumentumok 45%-kal magasabb PII-kihagyási arányt okoznak az egynyelvű NER-eszközöknél.
APAC PII-észlelés: thai, indonéz, vietnami
Egy szingapúri fintech, amely havonta 500 000 ügyfélszolgálati csevegést dolgoz fel 12 APAC-nyelven, azt tapasztalta, hogy az csak angolt támogató eszközük a nem angol csevegések 60%-ában kihagyja a PII-t.
Hamis pozitívok: Miért bukik meg az ML-kitakarás
Egy 2024-es benchmark megállapította, hogy a Presidio 13 536 hamis pozitív névfelismerést generált 4 434 mintán — névmásokat, hajóneveket és országneveket személynevekként jelölve meg.
ISO 27001 + ZK lerövidíti a szállítóértékelési időt
Egy 2025-ös felmérés szerint az elismert biztonsági tanúsítvány hiánya a 2. leggyakoribb ok, amiért a CISO-k kizárják a SaaS-szállítókat. Íme, mit jelent az ISO 27001 kombináció.
A ZK architektúra lerövidíti az értékesítési ciklusokat
A vállalati szállítói biztonsági kérdőívek átlagosan több mint 100 kérdést tartalmaznak. A zero-knowledge architektúra a legnehezebb kérdésekre is egyértelmű választ ad — és meggyőzi az ügyfeleket.
A LastPass-adatvédelmi incidens: tanulságok a felhőszolgáltatók biztonságáról
A LastPass titkosította felhasználóinak adatait. A tárcákat mégis kiszivárogtatták. 600 000+ Okta-rekord követte. A SaaS-biztonsági incidensek száma 300%-kal nőtt 2022 és 2024 között.
ZK-állítások értékelése a LastPass után
438 millió dollárt loptak el a LastPass-felhasználóktól, miután a „titkosított” széfjeiket feltörték. 1,2 millió fontos ICO-bírság következett. Íme az ellenőrzőlista annak megítéléséhez, hogy egy szolgáltató valóban teljesíti-e ígéretét.
LangChain CVE-2025-68664: Hogyan szivárognak ki személyes adatok a RAG-folyamaton keresztül
CVSS 9,3. A LangChain szerializációs függvényei környezeti változókat és titkokat tesznek ki a támadó által vezérelt LLM-eknek. Hogyan észleljük és javítsuk a személyes adatszivárgásokat.
LibreOffice PII-anonimizálási bővítmény — anonym.legal
Lépésről lépésre útmutató a személyes adatok anonimizálásához LibreOffice dokumentumokban az anonym.legal bővítmény segítségével.
LibreOffice vs. Microsoft Office: PII-kitakarás összehasonlítása
A PII-anonimizálási képességek részletes összehasonlítása LibreOffice-ban (anonym.legal bővítmény) és Microsoft Office-ban (Office-bővítmény).
Miért nem felel meg a bináris személyes adat-észlelés a megfelelési követelményeknek
Az észlelt/nem észlelt jelölés nem elegendő az emberi ítélőképességet igénylő megfelelési összefüggésekben. Íme, miért alakítja a megbízhatósági pontozás a személyes adat anonimizálását.
Dokumentumformátum-töredezettség a személyes adatok anonimizálásában
Egyetlen DSAR-válasz kiterjedhet Word-szerződésekre, PDF-számlákon, Excel ügyféllistákra és CSV-exportokra. Ha minden formátumhoz külön eszközt használunk, az megfelelőségi hiányosságokat teremt.
GDPR-naplóanonimizálás: A hibakeresési képesség megőrzése
Az alkalmazásnaplók csendesen gyűjtik a felhasználói e-maileket, IP-címeket és számlaszámokat. Így oszthat meg naplókat harmadik felekkel, alvállalkozókkal és megfigyelési platformokkal a GDPR megsértése nélkül.
GDPR az alkalmazásnaplókban: JSON személyes adat-megfelelőség
Az alkalmazásnaplók ügyfél e-mail-címeket, IP-eket és számlaszámokat tartalmaznak, amelyeket a GDPR 5. cikk (1) bekezdés e) pontja megkövetel kezelni.
Alkalmazások közötti személyes adatvédelem: Word, Chrome és AI
Az ügyféladatok a böngészős kutatástól a Word-vázlatokon át a Claude-promptokig vándorolnak. Minden alkalmazásváltás potenciális szivárgási pont.
Platformfüggetlen személyiadat-megfelelőség: Mac, Linux és Windows
Adatvédelmi felelős Mac-en, jogi munkatársak Windows-on, adatmérnökök Linux-on — mindenki ugyanazokat az adatokat dolgozza fel, különböző eszközökkel. Íme, miért nélkülözhetetlen az operációs rendszertől független észlelés.
Air-gapped személyes adat anonimizálás: offline-first védelemhez
A vállalati biztonsági szabályzatok 41%-a tiltja a minősített dokumentumok felhőbeli feldolgozását.
Visszafordítható vs. végleges kitakarás – melyiket válassza?
A GDPR különbséget tesz anonimizálás és álnevesítés között. A bíróságoknak szükségük lehet az eredetire. A kutatáshoz újraazonosítás kell. Ismerje meg, mikor melyik megközelítést alkalmazza.
Többnyelvű NER: Az angol modellek megbuknak arabban
Az angol NER-modellek 85-92%-os pontosságot érnek el. Arabul és kínaiul? Gyakran csak 50-70%. Megismerheti a technikai kihívásokat és azt, hogyan építhet valóban hatékony megoldást.
Használja a Claude-ot és a ChatGPT-t személyes adatok kiszivárogtatása nélkül
Fejlesztői útmutató az MI-asszisztensek biztonságos használatához. Állítsa be az MCP Server integrációt az átlátható személyesadat-védelemhez a Claude Desktop, a Cursor és a VS Code alkalmazásban.
Kezdje El Ma Az Adatai Védelmét
285+ entitástípus, 48 nyelv, vállalati szintű biztonság startup áron.
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.