anonym.legal

Jak działa anonym.legal

Deterministyczne wykrywanie PII oparte na wyrażeniach regularnych, które dostarcza 100% powtarzalnych wyników. Ten sam input, ten sam output - za każdym razem. Bez AI, bez zgadywania, tylko przejrzyste dopasowywanie wzorców.

Wypróbuj za darmoDokumentacja techniczna

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.

Dlaczego wyrażenia regularne, a nie AI?

Nasze podejście

  • 100% powtarzalne wyniki
  • W pełni audytowalne dla zgodności
  • Brak wymaganych danych treningowych
  • Przejrzyste podejmowanie decyzji
  • Szybka, przewidywalna wydajność
  • Brak dryfu modelu w czasie

Podejścia AI/ML

  • Wyniki różnią się między uruchomieniami
  • Decyzje w czarnej skrzynce
  • Wymaga danych treningowych
  • Trudne do audytowania
  • Wyższe koszty obliczeniowe
  • Dryf modelu w czasie
Dowiedz się więcej o naszej technologii

Proces 10 kroków

Od wejścia do wyjścia, oto co dokładnie dzieje się z Twoim dokumentem

1

Tekst wejściowy

Prześlij swój dokument za pośrednictwem interfejsu internetowego, API lub dodatku do Office

2

Wykrywanie języka

System identyfikuje język dokumentu dla optymalnego przetwarzania

3

Tokenizacja

Tekst jest dzielony na tokeny do dopasowywania wzorców

4

Dopasowywanie wzorców

Wzorce regex skanują 285+ typów encji

5

Analiza kontekstu

Otaczający tekst poprawia dokładność wykrywania

6

Ocena pewności

Każde wykrycie otrzymuje ocenę pewności

7

Klasyfikacja encji

Wykryte elementy są klasyfikowane według typu

8

Przegląd wyników

Zobacz wszystkie wykrycia z pozycjami i ocenami

9

Zastosuj anonimizację

Wybierz swoją metodę: Zastąp, Zredaguj, Haszuj, Szyfruj lub Zamaskuj

10

Dokument wyjściowy

Pobierz swój zanonimizowany dokument

Dostępne tylko w planach Pro i Business

Serwer MCP: Integracja AI z priorytetem na prywatność

Jak Twoje dane przepływają przez serwer MCP, aby utrzymać narzędzia AI w bezpieczeństwie

1

Żądanie narzędzia AI

Twoje narzędzie AI (Cursor, Claude) wysyła żądanie zawierające PII

2

Serwer MCP przechwytuje

Serwer analizuje i wykrywa wszystkie encje PII

3

Anonimizacja

PII jest zastępowane tokenami lub redagowane

Safe data only
4

Przetwarzanie AI

AI otrzymuje i przetwarza tylko zanonimizowane dane

5

Zwrócenie odpowiedzi

Odpowiedź AI wraca przez serwer MCP

6
Optional

De-tokenizacja

Opcjonalnie: Oryginalne wartości przywracane dla użytkownika

Przykład z życia wzięty

Przed (z PII)
Przetwórz płatność dla Johna Doe, e-mail john@example.com, karta 4532-1111-2222-3333

Co widzi AI

Po (anonimizowane)
Przetwórz płatność dla PII_PERSON_001, e-mail PII_EMAIL_001, karta PII_CREDIT_CARD_001

Co otrzymujesz z powrotem

AI nigdy nie widzi Twojego prawdziwego PII
Możliwość odwrócenia w trybie tokenizacji
Te same koszty tokenów co w aplikacji internetowej
Działa z wieloma narzędziami AI
Bezpieczeństwo na poziomie przedsiębiorstwa
Dowiedz się więcej o serwerze MCP →

Zbadaj dalej

Technologia

Zgłębiaj wykrywanie oparte na wyrażeniach regularnych i dlaczego jest lepsze dla zgodności

Architektura

Architektura systemu i jak komponenty współpracują ze sobą

Bezpieczeństwo

Pięć warstw bezpieczeństwa chroniących Twoje dane na każdym kroku

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.

Zobacz to w akcji

Wypróbuj nasze wykrywanie PII i anonimizację za darmo z 200 tokenami na cykl.

Utwórz darmowe kontoPrzewodnik szybkiego startu

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 servers live in Falkenstein, Germany.

We use Hetzner. They hold 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

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.