Kā anonym.legal Darbojas

Deterministiska, regex balstīta PII atklāšana, kas nodrošina 100% reproducējamus rezultātus. Tas pats ievade, tas pats izeja—katru reizi. Nav AI, nav minējumu, tikai caurspīdīga paraugu saskaņošana.

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.

Kāpēc Regex, Nevis AI?

Mūsu Pieeja

  • 100% reproducējami rezultāti
  • Pilnībā auditable atbilstībai
  • Nav nepieciešami apmācības dati
  • Caurspīdīga lēmumu pieņemšana
  • Ātra, prognozējama veiktspēja
  • Nav modeļa novirzes laika gaitā

AI/ML Pieejas

  • Rezultāti atšķiras starp izpildēm
  • Melna kaste lēmumu pieņemšanā
  • Nepieciešami apmācības dati
  • Grūti auditable
  • Augstākas aprēķinu izmaksas
  • Modeļa novirze laika gaitā

10 Soļu Process

No ievades līdz izejai, šeit ir tieši tas, kas notiek ar jūsu dokumentu

1

Ievades Teksts

Iesniedziet savu dokumentu, izmantojot tīmekļa saskarni, API vai Office paplašinājumu

2

Valodas Atklāšana

Sistēma identificē dokumenta valodu optimālai apstrādei

3

Tokenizācija

Teksts tiek sadalīts tokenos paraugu saskaņošanai

4

Paraugu Saskaņošana

Regex paraugi skenē 285+ entitāšu tipus

5

Konteksta Analīze

Aptverošais teksts uzlabo atklāšanas precizitāti

6

Uzticības Novērtēšana

Katrs atklājums saņem uzticības novērtējumu

7

Entitāšu Klasifikācija

Atklātie elementi tiek kategorizēti pēc veida

8

Pārskatīt Rezultātus

Skatiet visus atklājumus ar pozīcijām un novērtējumiem

9

Piemērot Anonimizāciju

Izvēlieties savu metodi: Aizvietot, Rediģēt, Hash, Šifrēt vai Maskēt

10

Izejas Dokuments

Lejupielādējiet savu anonimizēto dokumentu

Pieejams tikai Pro un Business plānos

MCP Serveris: Privātuma Pirmais AI Integrācija

Kā jūsu dati plūst caur MCP Serveri, lai saglabātu AI rīkus drošus

1

AI Rīka Pieprasījums

Jūsu AI rīks (Cursor, Claude) nosūta pieprasījumu, kas satur PII

2

MCP Serveris Pārtrauc

Serveris analizē un atklāj visas PII entitātes

3

Anonimizācija

PII tiek aizvietots ar tokeniem vai rediģēts

Safe data only
4

AI Apstrāde

AI saņem un apstrādā tikai anonimizētus datus

5

Atbildes Atgriešana

AI atbilde atgriežas caur MCP Serveri

6
Optional

De-tokenizācija

Opcija: Sākotnējās vērtības atjaunotas lietotājam

Reālās Pasaules Piemērs

Pirms (ar PII)
Apstrādāt maksājumu par John Doe, e-pasts john@example.com, karte 4532-1111-2222-3333

Ko AI redz

Pēc (anonimizēts)
Apstrādāt maksājumu par PII_PERSON_001, e-pasts PII_EMAIL_001, karte PII_CREDIT_CARD_001

Ko jūs saņemat atpakaļ

AI nekad neredz jūsu reālo PII
Atgriezenisks ar tokenizācijas režīmu
Tieši tādas pašas tokenu izmaksas kā tīmekļa lietotnei
Darbojas ar vairākiem AI rīkiem
Uzņēmuma līmeņa drošība

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.

Redziet To Darbībā

Mēģiniet mūsu PII atklāšanu un anonimizāciju bez maksas ar 200 tokeniem katrā ciklā.