Tæknilegt
Djúpar rannsóknir á PII greiningu, NER og anonymization tækni
33 greinar
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.
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.
Endurtakanlegt friðhelgi: Forskilgreiningar fyrir vélanám
Nafnlæging þjálfunargagna vélanáms verður að vera samræmd og endurtakanleg. Ef gagnafræðingur A og B beita mismunandi einingategundum eru þjálfunargagnasett.
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.
FOIA: 80% hraðara með lotaafkenningu
Bandarískar alríkisstofnanir fengu 1,5 milljón FOIA-beiðnir á fjárhagsárinu 2024 að meðalkostnaði $482 á beiðni. Lotaafkenning PII minnkar afgreiðslutíma frá mánuðum í vikur.
Presidio vs. anonym.legal: Byggja vs. kaupa
Microsoft Presidio er tæknilega ókeypis en kostar 40-80 verkfræðiklukkustundir til að setja upp rétt. anonym.legal skilar sömu ML-nákvæmni sem stjórnuð SaaS-þjónusta.
Nafnleysi með loftbili: Nafngreining án nettengingar
FedRAMP- og ITAR-umhverfi eiga eitt sameiginlegt — skýið er ekki valkostur. Afturkræf dulnefni samkvæmt GDPR 4. grein.
Ranga jákvæðis-skatturinn á PII-greiningartækjum
Presidio GitHub-mál #1071 skráir kerfisbundnar rangar jákvæðar. Rannsókn frá 2024 fann 22,7% nákvæmni í blönduðum tungumála-fyrirtækjagagnasettum.
Arabísk og hebresk persónugrein: Vestræn tæki bila
GDPR lýkur ekki við Bosporussund. Arabísk og hebresk persónugreinileg gögn í vinnuflæði evrópskra fyrirtækja eru kerfisbundið óvarin. XLM-RoBERTa krosslingvískar greiningar og.
PII í blönduðum tungumálum: Einmálaleg tól bila
72% af ESB-fyrirtækjum vinna skjöl á 3+ tungumálum samtímis. Blönduð-tungumála skjöl valda 45% hærri hlutfall missar PII í einmálalegar NER-verkfæri.
APAC PII: Taílenska, indónesíska, víetnamíska
Singiapúrskt fjártæknifyrirtæki sem vinnur úr 500.000 stuðningsspjallum mánaðarlega á 12 APAC-tungumálum leiddi í ljós að enskumiðað tæki þeirra missti PII í 60% af öðrum en enskum spjallum.
Falskar jákvæðar: Hvers vegna ML-neiting bilar
Viðmiðun frá 2024 leiddi í ljós að Presidio framleiddi 13.536 falskar jákvæðar nafngreiningar yfir 4.434 sýni - flaggaði fornafn, skipanöfn og lönd sem mannanöfn.
ISO 27001 + ZK styttir mat á lánardrottnum
Könnun frá 2025 leiddi í ljós að 'skortur á viðurkenndum öryggisvottun' var nr. 2 ástæðan fyrir því að CISO-ar hafna SaaS-lánardrottnum. Hér er hvað ISO 27001 + ZK gerir.
ZK-uppbygging styttir söluferla
Öryggiskannanir frá fyrirtækjum hafa að meðaltali 100+ spurningar. Núllþekkingaruppbygging svarar þeim erfiðustu með fullnægjandi hætti - og umbreytir.
LastPass innbrot: Laerdomur um oryggi verdusa
LastPass dulritadi gogn notenda sinna. Geymslurnar voru samt etladar. 600.000+ Okta-skrar fylgdu. SaaS-oryggi atvik jukust um 300% fra 2022 til.
Mat a ZK-krofum eftir LastPass
$438 milljoner stadnar fra LastPass-notendum eftir ad 'dulritadar' geymslur theirra voru brotnar. 1,2 milljona punda ICO-sekt fylgdi. Her er gatalisti fyir mat a hvort.
LangChain CVE-2025-68664: Hvernig PII lekur í gegnum RAG-leiðsluna þína
CVSS 9.3. Raðgreiningaföll LangChain afhjúpa umhverfisbreytur og leyndarmál til árásarmanns-stýrðra LLM-líkana. Hvernig á að greina og laga PII-leka.
LibreOffice PII nafnlæysiviðbót
Skref-fyrir-skref leiðarvísir um nafnlægi PII í LibreOffice skjölum með anonym.legal viðbótinni.
LibreOffice á móti Office: PII ristun
Ítarlegur samanburður á PII nafnlæysisgetu í LibreOffice (anonym.legal viðbót) á móti Microsoft Office (Office-innibygging).
Hvers vegna tvívirð PII-greining bregst samræmi
Greint/ekki-greint er ófullnægjandi í samræmissamhengi sem krefst mannlegs mats. Hér er hvers vegna tryggingarstig umbreytir PII-nafnleynigervingu.
Skjalasnið-sundrung í PII-tólum
Eitt DSAR-svar getur spannað Word-samninga, PDF-reikninga, Excel-viðskiptavinalista og CSV-útflutning. Mismunandi tól fyrir hvert snið skapar.
GDPR-annálsafnæming: Haltu villuleitargetunni
Forritaannálar safna hljóðlægt upp netföngum notenda, IP-tölum og reikningsnúmerum. Hér er hvernig á að deila annálum með þriðja aðilum, verktökum og eftirlitsgáttum.
GDPR í forritaannálum: JSON PII-samræmi
Forritaannálar innihalda netföng viðskiptavina, IP-tölur og reikningsnúmer sem GDPR 5. grein (1)(e) krefst að séu meðhöndluð.
PII milli forrita: Word, Chrome og gervigreind
Viðskiptavinagögn flæða frá rannsóknum í vafra yfir í Word-drög og að lokum inn í Claude-fyrirspurnir. Hvert skipti sem samhengi skiptast er mögulegt leka-tækifæri.
PII milli pallar: Mac, Linux og Windows
Persónuvernareftirlitsmenn á Mac, lögfræðingar á Windows, gagnaverkfræðingar á Linux — allir vinna með sömu gögn með mismunandi verkfæri. Hér er af hverju OS-óháð greining skiptir máli.
Loftgataður PII: Ónettengt-fyrst fyrir varnir
41% fyrirtækjaöryggisstefna banna skýjavinnslu flokkaðra skjala.
Afturkræft vs. varanlegt þurk: Réttur val
GDPR greinir á milli nafnleysuvæðingar og dulnefningar. Dómstólar þurfa frumrit. Rannsóknir þurfa endurauðkenningu. Lærðu hvenær á að nota hverja nálgun.
Fjöltyngt NER: Enska mistekst arabísku
NER-líkön þjálfuð á ensku ná 85-92% nákvæmni. Arabíska og kínverska? Oft 50-70%. Lærðu um tæknilegar áskoranir og hvernig á að smíða raunverulega fjöltyngdar lausnir.
Notaðu Claude og ChatGPT án þess að leka PII
Leiðbeiningaskjal forritara til að nota gervigreindaraðstoðarmenn á öruggan hátt. Settu upp MCP-þjónssamþættingu fyrir gagnsæja PII-vernd í Claude Desktop, Cursor og VS Code.
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.