Sýn á Gagnavernd
Sérfræðigreinar um öryggi AI, GDPR samræmi, vernd heilsugagna og bestu venjur PII anonymization.
Allar Greinar
Rauntíma PII-varnir spara $2,2 milljónar
IBM fann $2,2 milljóna kostnaðarmun milli varna og greiningar. Hér er stærðfræðin sem gerir rauntíma PII-hlutlægningu óvalkvæða fyrir öryggisver.
GDPR gr. 32: PII-eftirlit gervigreindartækja
Samræmnisteymi fyrirtækja þurfa megindlegar sannanir um PII-stjórn gervigreindartækja. Net-DLP vanrækir samskipti gervigreindar í vafra.
Rauntima PII-varnir gegn gagnalekum í gervigreind
Þegar starfsmaður slær inn nafn viðskiptavinar í ChatGPT fer gögnin úr stjórn stofnunarinnar á augnablikinu. DLP eftir á getur ekki afturkallað þessa ranga aðgerð.
Eiginuppsetin PII-verkfæri standast ekki reglufylgniúttektir
spaCy 3.4.4 skilar öðrum NER-niðurstöðum en spaCy 3.5.1. Fjármálafyrirtæki uppgötvar að 3% skjala voru mismunandi nafnleysi í stigskiptingu og framleiðslu.
Presidio: 3 vikna uppsetning gegn stjórnaðri PII
Microsoft Presidio hefur þúsundir GitHub-stjarna og hundruð opinna vandamála. Uppsetningarflækjustig, PySpark-samþætting og Python-háðunarfærsla.
6 vikur í 3 daga: Uppsetning stjórnaðrar PII
Heilbrigðis-SaaS-teymi eyða 6 vikum í eiginuppsetning Presidio í framleiðslu áður en skipt er yfir í stjórnaðar API. Stjórnuð API kemur í stað uppsetningarinnar.
Presidio vanrækir 220+ GDPR-einingar
Presidio kemur með ~40 sjálfgefnar einingaþekkingaraðrar sem beinast að bandarískum auðkennum. Evrópusamtök þurfa IBAN, Codice Fiscale og fleiri.
Ókeypis PII-greining kostar €13.000 á ári
Eiginuppsetning Presidio krefst 40-80 klst. upphafsuppsetningar og 5-10 klst. á mánuði í viðhald. Við €100/klst. verkfræðikostnað verður heildarverðið €13.200+.
Nákvæmnivandinn í Presidio: 22,7%
Viðmiðunarprófun 2024 leiddi í ljós að nafnaþekkir Presidio nær 22,7% nákvæmni í viðskiptaskjölum — sem þýðir að 77,3% greininga eru falskt jákvæðar.
Stytta þjálfun í friðhelgisvernd: Frá vikum í klukkustundir
Þjálfun á verkfærum til friðhelgisverndar tekur venjulega 2-4 vikur og villuprósentan í fyrstu viku er 22%. Deillegar forskilgreiningar stytta þjálfunina niður í einn dag.
MSP-fyrirtæki: Staðlið nafnlægingu
MSP-fyrirtæki og samræmisráðgjafar sem þjóna mörgum viðskiptavinasamtökum geta ekki handvirkt endurskilgreint PII-verkfæri á mann-til-manns grundvelli í stórum stíl.
Stillingarflakk: Falin GDPR-áhætta
Greiningamaður A kemur nöfnum í stað gervigagnanafna. Greiningamaður B þurrkar þau út. GDPR-endurskoðun þín finnur bæði í sama gagnasetti. Stillingarflakk — þegar teymi.
Endurtakanlegt friðhelgi: Forskilgreiningar fyrir vélanám
Nafnlæging þjálfunargagna vélanáms verður að vera samræmd og endurtakanleg. Ef gagnafræðingur A og B beita mismunandi einingategundum eru þjálfunargagnasett.
Friðhelgivernd samkvæmt mörgum ramma með einu verkfæri
Samræmisteymi sem stjórna GDPR, HIPAA og CCPA verða að beita mismunandi nafnlægingarstöðlum eftir samhengi skjala.
Forskilgreiningar loka á ósamræmi í nafnlægingu
Þegar 8 lögfræðiaðstoðarmenn stilla PII-nafnlægingu sjálfstætt er ósamræmi óumflýjanlegt. GDPR-endurskoðendur leita að kerfisbundinni, samkvæmri beitingu.
HIPAA MRN-greining án þess að vera sérfræðingur í reglulegar tjáningar
Snið sjúklingsnúmers (MRN) er mismunandi á hverju sjúkrahúsi. Memorial notar MRN:XXXXXXX, St. Mary's notar PT-YYYYY, University Hospital notar UHN-XXXXXXXXXX.
Lögleg PII: Greining á trúnaðarvernd
Tilvísunarnúmer mála, skráningarnúmer lögfræðinga, dómsmálsnúmer og viðskiptavinarkóðar eru lagalega viðkvæmar auðkennisskrár sem hefðbundin PII-verkfæri gleyma.
GDPR og þjónustugervigreind: Sérsniðin auðkenni skipta máli
Þjónustugervigreind fær skilaboð viðskiptavina með nöfnum, netföngum OG pantanauðkennum. Staðlað PII-verkfæri strikar netföng en lætur pantanauðkenni óhreyfð.
ESB-þjóðlæg auðkenni sem PII-verkfærið þitt missir af
Þýskt Steueridentifikationsnummer, franskt Numero fiscal, ítalskt Codice Fiscale, spænskt NIF/NIE - bandarísk PII-verkfæri greina SSNs en missa af flestum.
Utan SSNs: Nafnleynd innri auðkenna stofnunar
Sérhver stofnun hefur innri auðkenni - starfsmannauðkenni, reikningsnúmer, pantanauðkenni - sem eru persónulegt auðkenni í samhengi en er gleymt af.
HIPAA: Sjúklingsnúmersgreining sérstæð hvers sjúkrahúss
HIPAA Safe Harbor krefst þess að sjúklingsskrárnúmer séu fjarlægð - en MRN-snið eru ekki staðlað. Epic, Cerner og Meditech nota öll mismunandi snið.
GDPR-örugg gagnaleiðsla: Nafnleynd fyrir geymslu
dbt-dálkamerki eru ekki GDPR-samræmi. Hráar viðskiptavinagögn lenda í Snowflake-vöruhúsinu án huldu áður en merkingartar stefnur gilda.
FOIA: Frá vikum í klukkustundir með gervigreindarletur
Alríkisstjórnin eyddi áætlaðar 500 milljónum dollara í FOIA-vinnslu árið 2024, að mestu í handvirkt strikun. ARPA-H leitaði sérstaklega að gervigreindar-strikunarhugbúnaði til.
GDPR og nafnleynd gagna fyrir vélnám
GDPR takmarkar notkun persónulegra gagna við þjálfun vélnámslíkana utan upprunalega tilgangs söfnunar. Gagnafræðiteymi sem reiða sig á handskrifaðar Python-skipanir skapa.
Byrjaðu að Vernda Gögnin Þín Í Dag
285+ gerðir, 48 tungumál, öryggi fyrirtækja á upphafsverði.
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.