Hvernig anonym.legal virkar
Ákveðin, regex-grundvölluð PII greining sem skilar 100% endurteknum niðurstöðum. Sama inntak, sama úttak—í hvert sinn. Engin AI, engin ágiskun, bara gagnsæ mynsturgreining.
How Does PII Detection Work?
PII detection identifies personal data in text using pattern matching and machine learning. anonym.legal uses a hybrid approach:
- 1Pattern Matching: Regex patterns detect structured data (SSNs, credit cards, IBANs) with checksum validation.
- 2Named Entity Recognition: NER models identify names, locations, and organizations in 48 languages.
- 3Context 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.
Af hverju Regex, ekki AI?
Aðferð okkar
- 100% endurtekna niðurstöður
- Heildar skoðanleg fyrir samræmi
- Engin þjálfunargögn nauðsynleg
- Gagnsæ ákvörðunartaka
- Hratt, fyrirsjáanlegt frammistöð
- Engin módelbreyting með tímanum
AI/ML aðferðir
- Niðurstöður breytast milli keyrslna
- Svartur kassi ákvörðunartaka
- Krafist þjálfunargagna
- Erfiðara að skoða
- Hærri útreikningakostnaður
- Módelbreyting með tímanum
10 skref ferlið
Frá inntaki til úttaks, hér er nákvæmlega hvað gerist við skjalið þitt
Inntak texta
Sendu skjalið þitt í gegnum vefviðmót, API, eða Office viðbót
Tungumálagreining
Kerfið greinir tungumál skjalsins fyrir bestu úrvinnslu
Tokenization
Textinn er brotinn niður í tokens fyrir mynsturgreiningu
Mynsturgreining
Regex mynstur skanna fyrir 285+ tegundir eininga
Samhengisgreining
Umhverfishugmyndin eykur nákvæmni greiningar
Trauststig
Hver greining fær trauststig
Einingaflokkun
Greind atriði eru flokkast eftir tegund
Skoða niðurstöður
Sjáðu allar greiningar með stöðum og stigum
Beita nafnleynd
Veldu aðferðina þína: Skipta, Ritskoða, Hash, Dulkóða, eða Mask
Úttak skjal
Sæktu nafnleyndu skjalið þitt
MCP Server: Persónuverndarfyrst AI samþætting
Hvernig gögnin þín flæða í gegnum MCP Server til að halda AI verkfærum öruggum
AI verkfæra fyrirspurn
AI verkfærið þitt (Cursor, Claude) sendir fyrirspurn sem inniheldur PII
MCP Server grípur
Serverinn greinir og greinir allar PII einingar
Nafnleynd
PII er skipt út fyrir tokens eða ritskoðað
AI úrvinnsla
AI fær og úrvinnur aðeins nafnleynd gögn
Svar skilað
AI svar kemur aftur í gegnum MCP Server
De-tokenization
Valfrjálst: Upprunaleg gildi endurheimt fyrir notanda
Raunverulegt dæmi
Vinnur greiðslu fyrir John Doe, tölvupóstur john@example.com, kort 4532-1111-2222-3333Hvað AI sér
Vinnur greiðslu fyrir PII_PERSON_001, tölvupóstur PII_EMAIL_001, kort PII_CREDIT_CARD_001Hvað þú færð aftur
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.
Sjáðu það í aðgerð
Prófaðu PII greiningu okkar og nafnleynd ókeypis með 200 tokens á hring.