Datu Privātuma Ieskati
Ekspertu raksti par AI drošību, GDPR atbilstību, veselības aprūpes datu aizsardzību un PII anonimizācijas labākajām praksēm.
Visi Raksti
Garante Itàlija: AI un PII atbilstiba
Itàlijas Garante sodija OpenAI ar 15 milj. EUR 2024. gada decembri un pagaidu aizliedza ChatGPT 2023. gadà. 63% itàLu uznemumu trùkst AI datu pàrvaldibas politiku.
LGPD Brazilija: CPF, CNPJ un datu aizsardziba
LGPD aptver 215 miljonus braziliesu un ANPD 2024. gadà sàka nozimigus izpildes pasakumus. CPF tiek atklàts ar tikai 45% precizitàti ar angLu valodas rikiem.
Nīderlandes AP: 290 miljonu eiro sods un GDPR izpilde
Nīderlandes AP uzlika ES lielāko naudas sodu par datu pārsūtīšanu — 290 miljonus eiro pret Uber. BSN (Nīderlandes SSN) prasa 11-proef validāciju, kuru neievēro 56% rīku.
UODO Polija: PESEL, NIP un RODO atbilstība
UODO konstatēja, ka 89% ieviesto rīku nespēj pareizi noteikt poļu PESEL. Polija katru dienu apstrādā 2,3 miljonus ES klientu ierakstu. PESEL kontrolsummas validācija, NIP.
ANSPDCP Rumānija: CNP noteikšana un GDPR pārbaudes
ANSPDCP konstatēja, ka 78% rīku izlaiž Rumānijas CNP ar pareizu validāciju. CNP kodē dzimumu, dzimšanas datumu un dzimšanas apgabalu — GDPR 9. panta īpašās kategorijas datu sekas.
IMY Zviedrija: Personnummer un Luhn pārbaudes
IMY konstatēja, ka 45% vispārējo rīku izlaiž zviedru personnummer. Samordningsnummer (60-nobīde) tiek izlaists lielākajā daļā implementāciju. Zviedrijas 79% GDPR tiesību īstenošana.
Dānija CPR: Modulus-11 validācija GDPR atbilstībai
67% NLP rīku izlaiž dāņu CPR numura modulus-11 validāciju. Datatilsynet 14 veselības aprūpes izpildes darbības 2024. gadā. Veselības datu sekundārā izmantošana.
Čehijas Rodne Cislo: Dzimuma kodēšana un GDPR
Čehijas rodne cislo kodē dzimumu ar 50-nobīdes mēneša kodēšanu — padarot to par GDPR 9. panta īpašās kategorijas datiem. 67% Čehijas uzņēmumu izmanto vācu rīkus.
NAIH Ungārija: TAJ-szam un Adoazonosito Jel
Ungāru NER precizitāte ir 67% pret ES vidējo 82% — NAIH 2024. gada novērtējums. TAJ-szam svērtā kontrolsumma un adoazonosito jel noteikšanas nepilnības.
HDPA Grieķija: AFM un AMKA atpazīšana
Grieķu AFM vispārīgie rīki atpazīst tikai ar 52% precizitāti. HDPA 2024. gadā izdeva 89 lēmumus — par 162% vairāk nekā 2022. gadā. Tūrisma un jūras nozares saskaras ar īpašiem riskiem.
Japānas My Number: Verhoeff un APPI
63% vispārīgo rīku nespēj atpazīt My Number japāņu dokumentos. My Number izmanto Verhoeff algoritmu — vissarežģītāko nacionālā ID kontrolsummu Āzijā.
Epstein faili: Izcēlums nav rediģēšana
DOJ Epstein failu publiskošana 2025. gada decembrī atklāja kritisku rediģēšanas kļūdu: melns izcēlums PDF failā paliek lasams, kopējot tekstu.
Advokatu-klienta privilēgija un MI 2026. gadā
2026. gada februarī federala tiesa nosprieda, ka MI riku sarakstes neattiecas advokatu-klienta privilēgija.
Nulles zināšanu pret nulles uzticību mākoņa šifrēšanu
LastPass šifrēja savu lietotāju datus — un tika nozagti 438 miljoni USD. Lūk, atšķirība starp servera puses šifrēšanu un patieso nulles zināšanu arhitektūru.
Gaisa spraugas personas dati: bezsaistes aizsardzība aizsardzībai
41% uzņēmumu drošības politiku aizliedz mākoņa apstrādi klasificētiem dokumentiem. Uzziniet, kā bezsaistes personas datu anonimizācija darbojas izolētos tīklos.
Daudzvalodu personas datu noteikšana VDAR atbilstībai
Vācu Steuer-ID, franču NIR un zviedru Personnummer prasa atšķirīgu noteikšanas loģiku. Uzziniet, kā aptvert visas ES valodas personas datu noteikšanā.
Reversīvā pret pastāvīgo rediģēšanu: pareizā izvēle
VDAR nošķir anonimizāciju no pseidoanonimizācijas. Tiesas vajadzīgas oriģinālus. Pētnieki vajag atkārtotu identifikāciju. Uzziniet, kad izmantot katru pieeju.
Daudzvalodu NER: Angļu valodas modeļi neizdodas ar arābu valodu
Angļu NER modeļi sasniedz 85-92% precizitāti. Arābu un ķīniešu valodā? Bieži 50-70%. Uzziniet par tehniskajiem izaicinājumiem un kā veidot patiesi daudzvalodu sistēmas.
94% MVU uzbrūk: Pieejama privātuma aizsardzība
MVU saskaras ar tādiem pašiem draudiem kā lieluzņēmumi, bet nevar atļauties rīkus par 800+ EUR/mēnesī. Lūk, kā iegūt uzņēmuma klases privātuma aizsardzību par 3 EUR/mēnesī.
PHI noteikšana: Snow Labs 96% pret GPT-4o
Ne visi de-identifikācijas rīki ir vienādi. ECIR 2025 etaloni uzrāda F1 rādītājus no 79% līdz 96%. Uzziniet, kāpēc precizitāte ir svarīga un kā novērtēt rīkus.
Tiesas soda advokātus par redakcijas kļūdām
Teksta izcēlums Word nav redakcija. Tiesas soda advokātus par tehniskām kļūdām, kas atklāj priviliģētu informāciju.
Izmantojiet Claude un ChatGPT, nenopludinot personas datus
Izstrādātāja ceļvedis drošai MI palīgu lietošanai. Iestatiet MCP servera integrāciju caurspīdīgai PII aizsardzībai Claude Desktop, Cursor un VS Code.
900 000 lietotāju MI saraksti tika nozagti
Divi ļaunprātīgi Chrome paplašinājumi nozaga ChatGPT sarakstus no vairāk nekā 900 000 lietotāju. Vienam bija Google "Featured" zīme.
$7,42M: veselības aprūpes datu pārkāpumi ir dārgākie
Veselības aprūpe ir bijusi #1 dārgākā nozare datu pārkāpumiem 14 gadus pēc kārtas. Uzziniet, kāpēc PHI ir tik vērtīga un kā to aizsargāt.
Sāciet Aizsargāt Savus Datus Šodien
267+ entitāšu veidi, 48 valodas, uzņēmuma līmeņa drošība par sākuma cenām.
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, held by our hosting provider.
- 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
Automated checks run on every release.
Each surface gets its own sweep script and report.
Human reviewers spot-check the output each week.
We test detection against sample documents before each release.
A failing unit or integration run stops the release.
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.
Paid plans can buy top-up credits.
Credits reset at the end of each cycle.
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.