anonym.legal

Hogyan Működik az anonym.legal

Determinista, regex-alapú PII észlelés, amely 100%-ban reprodukálható eredményeket biztosít. Ugyanaz a bemenet, ugyanaz a kimenet—minden alkalommal. Nincs AI, nincs találgatás, csak átlátható mintázat-illesztés.

Próbálja Ki IngyenMűszaki Dokumentáció

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.

Miért Regex, Nem AI?

Megközelítésünk

  • 100%-ban reprodukálható eredmények
  • Teljes mértékben auditálható a megfelelőség érdekében
  • Nincs szükség tanító adatokra
  • Átlátható döntéshozatal
  • Gyors, előre jelezhető teljesítmény
  • Nincs modell eltolódás az idő múlásával

AI/ML Megközelítések

  • Az eredmények változnak a futások között
  • Fekete doboz döntéshozatal
  • Tanító adatok szükségesek
  • Nehéz auditálni
  • Magasabb számítási költségek
  • Modell eltolódás az idő múlásával
Tudjon meg többet a technológiánkról

A 10 Lépéses Folyamat

A bemenettől a kimenetig, itt van pontosan, mi történik a dokumentumával

1

Bemeneti Szöveg

Küldje el dokumentumát webes felületen, API-n vagy Office bővítményen keresztül

2

Nyelvészlelés

A rendszer azonosítja a dokumentum nyelvét az optimális feldolgozás érdekében

3

Tokenizálás

A szöveg tokenekre van bontva a mintázat-illesztéshez

4

Mintázat-illesztés

Regex minták 285+ entitástípusra keresnek

5

Kontekstelemzés

A környező szöveg javítja az észlelés pontosságát

6

Bizalom Értékelés

Minden észlelés bizalmi értékelést kap

7

Entitás Osztályozás

Az észlelt elemeket típus szerint kategorizálják

8

Eredmények Áttekintése

Nézze meg az összes észlelést pozíciókkal és értékelésekkel

9

Anonimizálás Alkalmazása

Válassza ki a módszert: Csere, Kivágás, Hash, Titkosítás vagy Maszk

10

Kimeneti Dokumentum

Töltse le anonimizált dokumentumát

Csak Pro és Business tervekben elérhető

MCP Szerver: Adatvédelmi Első AI Integráció

Hogyan áramlik az adata a MCP Szerveren keresztül, hogy az AI eszközök biztonságban legyenek

1

AI Eszköz Kérés

Az AI eszköze (Cursor, Claude) PII-t tartalmazó kérést küld

2

MCP Szerver Megszakítja

A szerver elemzi és észleli az összes PII entitást

3

Anonimizálás

A PII-t tokenekkel helyettesítik vagy kivágják

Safe data only
4

AI Feldolgozás

Az AI csak anonimizált adatokat kap és dolgoz fel

5

Válasz Visszatér

Az AI válasza visszajön a MCP Szerveren keresztül

6
Optional

De-tokenizálás

Opcionális: Az eredeti értékek visszaállítása a felhasználó számára

Valós Példa

Előtte (PII-vel)
Fizessen John Doe-nak, email john@example.com, kártya 4532-1111-2222-3333

Amit az AI lát

Utána (anonimizált)
Fizessen PII_PERSON_001-nek, email PII_EMAIL_001, kártya PII_CREDIT_CARD_001

Amit visszakap

Az AI soha nem látja az Ön valódi PII-jét
Visszafordítható tokenizálási módban
Ugyanazok a token költségek, mint a webalkalmazásnál
Több AI eszközzel is működik
Vállalati szintű biztonság
Tudjon meg többet a MCP Szerverről →

További Felfedezés

Technológia

Mélyreható betekintés a regex-alapú észlelésbe és hogy miért jobb a megfelelőség érdekében

Architektúra

A rendszer architektúrája és hogy a komponensek hogyan működnek együtt

Biztonság

Öt biztonsági réteg védi az adatait minden lépésnél

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.

Nézze Meg Működés Közben

Próbálja ki a PII észlelésünket és anonimizálásunkat ingyen, 200 tokennel ciklusonként.

Hozzon Létre Ingyenes FiókotGyors Kezdő Útmutató

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 servers live in Falkenstein, Germany.

We use Hetzner. They hold 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

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.