Увиди во приватноста на податоците
Експертски статии за безбедноста на вештачката интелигенција, усогласеност со GDPR, заштита на податоците во здравството и најдобри практики за анонимизација на PII.
Сите статии
Превенцијата на лични податоци во реално време штеди 2,2 милиони долари
IBM откри разлика во трошоци од 2,2 милиони долари меѓу превенцијата и откривањето. Еве ја математиката која го прави пресретнувањето на лични податоци во реално време неопционално за безбедносните тимови.
GDPR Член 32: Следење на изложеноста на лични податоци при употреба на ВИ алатки
Тимовите за усогласеност во претпријатија бараат квантитативни докази за контролите на ВИ алатките за лични податоци. Мрежниот DLP ги пропушта ВИ-интеракциите преку прелистувачот.
Заштита од протекување лични податоци при употреба на ВИ во реално време
Кога вработен го внесува името на клиент во ChatGPT, податоците го напуштаат организациското управување во реално време. Последователниот DLP не може да го поврати она што веќе е изгубено.
Самохостираниот PII не успева на ревизии за усогласеност
spaCy 3.4.4 произведува различни NER резултати од spaCy 3.5.1. Финансиска фирма открива дека 3% од документите биле различно анонимизирани во постапувањето наспроти производство.
Presidio: поставување 3 недели наспроти управуван PII
Microsoft Presidio има илјадници ѕвезди на GitHub и стотици отворени прашања. Сложеноста на поставувањето, надоверноста на PySpark интеграцијата и зависностите на Python.
Од 6 недели до 3 дена: управувано PII поставување
Тимовите за здравствен SaaS трошат 6 недели на производствено распоредување на самохостиран Presidio пред да преминат на управуван API. Управуваниот API го заменува распоредувањето.
Presidio пропушта 220+ GDPR ентитети
Presidio се испорачува со ~40 стандардни препознавачи на ентитети фокусирани на US идентификатори. Европски организации бараат IBAN, Codice Fiscale и многу повеќе.
Бесплатното откривање на PII чини €13.000 годишно
Самохостирањето на Presidio бара 40-80 часа за почетно поставување и 5-10 часа/месечно за тековно одржување. При инженерски ставки од €100/час, тоа е €13.200+.
Проблемот со прецизноста на Presidio: 22,7%
Бенчмарк од 2024 година покажа дека препознавачот на имиња на лица на Presidio постигнува прецизност од 22,7% во деловни документи — што значи дека 77,3% од откривањата се лажни позитиви.
Скрати ја обуката за приватност: од недели до часови
Обуката за алатки за приватност типично трае 2-4 недели, со стапка на грешки при конфигурација од 22% во првата недела. Преносливите пресети ја намалуваат обуката на 1 ден.
MSP-и: Стандардизирајте ја анонимизацијата
MSP-ите и советниците за усогласеност кои служат на повеќе клиентски организации не можат рачно да ги реконфигурираат алатките за лични податоци по клиент во поголем обем.
Дрејф во конфигурацијата: Скриен ризик по GDPR
Аналитичарот А ги заменува имињата со псевдоними. Аналитичарот Б ги засенчува. Вашата ревизија по GDPR наоѓа двете во ист набор на податоци. Дрејфот во конфигурацијата — каде тимот применува различни поставувања — создава ризик при ревизија.
Обновлива приватност: ML предлошки
Анонимизацијата на ML податоците за обука мора да биде конзистентна и обновлива. Ако научниците за податоци А и Б применуваат различни видови ентитети, наборите за обука се несогласувачки.
Управување со повеќе рамки за приватност со една алатка
Тимовите за усогласеност кои управуваат со GDPR, HIPAA и CCPA мора да применуваат различни стандарди за анонимизација во зависност од контекстот на документот.
Предлошките за анонимизација го завршуваат несогласувањето
Кога 8 правни помошници независно конфигурираат анонимизација на лични податоци, несогласувањето е неизбежно. Ревизорите по GDPR бараат систематска, конзистентна примена.
Откривање на HIPAA MRN без докторат по регуларни изрази
Форматот на MRN на секоја болница е различен. Memorial користи MRN:XXXXXXX, St. Mary's користи PT-YYYYY, University Hospital користи UHN-XXXXXXXXXX.
Правни лични податоци: Откривање привилегии
Референтни броеви на предмети, броеви на адвокатски лиценци, бројови на судски досиеа и ID-а на клиентски предмети се правно чувствителни идентификатори кои стандардните алатки за лични податоци ги пропуштаат.
GDPR AI за поддршка: Прилагодени идентификатори
AI за поддршка на клиенти прима пораки на клиенти со имиња, е-пошти И ID на нарачки. Стандардните PII алатки ги отстрануваат адресите за е-пошта, но ги остава ID на нарачките нетакнати.
Националните ID на ЕУ кои вашата PII алатка ги пропушта
Steueridentifikationsnummer на Германија, Numero fiscal на Франција, Codice Fiscale на Италија, NIF/NIE на Шпанија - алатките за PII фокусирани на САД лесно откриваат SSN, но ги пропуштаат повеќето европски формати.
Покрај SSN: Анонимизација на интерни ID
Секоја организација има интерни идентификатори - ID на вработени, броеви на сметки, ID на нарачки - кои се лично идентификувачки во контекст, но ги пропушта стандардниот алат за PII.
HIPAA: Откривање на болнички MRN
HIPAA Safe Harbor бара отстранување на броевите на медицинските записи, но форматите на MRN не се стандардизирани. Epic, Cerner и Meditech сите користат различни формати.
GDPR цевковод: Анонимизирај пред складирање
dbt ознаките на колони не се GDPR усогласеност. Сировите клиентски податоци пристигнуваат во вашиот Snowflake магацин немаскирани пред да се применат политиките базирани на ознаки.
FOIA: Редакција од недели до часови
Федералната влада потрошила проценети $500M на обработка на FOIA во 2024 година, главно рачна редакција. ARPA-H изречно барал AI софтвер за редакција за да го реши огромниот заостаток.
GDPR анонимизација на податоци за обука на ML
GDPR ги ограничува употребата на лични податоци за обука на ML надвор од оригиналната намена на нивното собирање. Тимовите за наука на податоци кои се потпираат на ad-hoc Python скрипти создаваат сериозни проблеми.
Започнете да ги заштитите вашите податоци денес
285+ типови на ентитети, 48 јазици, безбедност на ниво на претпријатие по стартна цена.
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.