anonym.legal

By · Last updated 2026-06-05

Nazaj na blogGDPR in skladnost

Minimizacija podatkov po GDPR: API v realnem casu

Clen 5(1)(c) GDPR zahteva zbiranje samo potrebnih podatkov. Integracija API v realnem casu prepreci prekomerno zbiranje v fazi oddaje obrazca -- preden podatki sploh vstopijo v sistem.

June 5, 20267 min branja
GDPR data minimizationArticle 5real-time detectionAPI integrationform validation

Minimizacija podatkov po GDPR: API v realnem casu

Posodobljeno za leto 2026

Clen 5(1)(c) GDPR pravi: zbirajte le, kar potrebujete. To je pravilo minimizacije podatkov. Vecina ekip ga krsí prek oblikovanja obrazcev, ne slabe namere. Polja prostega besedila pritegnejo imena, naslove in identifikacijske stevilke, ki jih nihce ni nacrtoval.

Kasnejse ciscenje baze podatkov tega ne popravi. Krsitev se je zgodila, ko ste podatke zbrali. Ustaviti jo pri viru je edina prava popravka. Preverjanje API v realnem casu ob oddaji obrazca ustavi prekomerno zbiranje, preden se sploh zacne.

Oglejte si nas pregled skladnosti in varnostne prakse za to, kako podpiramo GDPR clen 5.

Zakaj obrazci zbirajo prevec

Polja prostega besedila v spletnih aplikacijah zbirajo osebne podatke, ki jih nihce ni nacrtoval:

  • Polja za "razlog" v prijavnicah za podporo, izpolnjena z medicinsko zgodovino in stevilkami zavarovanja
  • Razdelki "drugi komentarji" v anketah z imeni in telefonskimi stevilkami
  • Stolpci "opombe" v HR z leti nestrukturiranih osebnih podrobnosti
  • Polja "opombe" v narocilih s stevilkami identifikatorjev strank, vnesenimi za pomoc pri reševanju težav

Pravilo minimizacije zahteva, da ti osebni podatki nikoli ne vstopijo v vase sisteme. Naknadno cišcenje zdravi simptom. Zaznavanje v realnem casu odstrani vzrok.

Zakaj naknadno ciscenje ne zadostuje

Ekipe, ki ciscejo shranjene osebne podatke, se soocajo s stirimi problemi.

Popolnost. Ujemanje vzorcev najde ocitne osebne podatke, kot so e-poštni naslovi in identifikacijske stevilke. Spregleda sklicevanja, odvisna od konteksta. "Moja sestra Maja je imela enako tezavo" vsebuje ime, ki ga vecina pregledov spregleda.

Pravna casovnost. Krsitev nastane ob zbiranju. Ciscenje podatkov mesece pozneje tega ne popravi. Ce regulator pregleda obdobje, ko so bili podatki hranjeni, je krsitev ze zabeležena.

Nepopolna brisanje. Baze podatkov ustvarjajo varnostne kopije. Sistemi pišejo dnevnike. Analizna orodja izvazajo podatke. Ceprav izbrišete iz glavne baze podatkov, kopije ostanejo v varnostnih datotekah in revizijskih dnevnikih.

Izpostavljenost pri krsitvi. Med zbiranjem in cišcenjem dodatni osebni podatki sedijo v vasih sistemih. Krsitev v tem oknu postavi prekomerno zbrane podatke v doseg.

Ustavitev zbiranja pri viru reši vse stiri. Podatki, ki nikoli ne vstopijo, ne morejo biti preliti, ne potrebujejo brisanja in ne stejejo kot krsitev.

Vzorci zaznavanja za validacijo obrazcev

Osebnim podatkom v realnem casu pri obrazcih se doda na tri nacine.

Na strani odjemalca (razširitev za Chrome). Razširitev nadzira dogodke lepljenja v brskalniških poljih. Ko uporabnik prilepi besedilo z osebnimi podatki, takoj oznaci entitete. Uporabnik jih odstrani pred oddajo. Klic API ni potreben -- zaznavanje poteka lokalno. Za definicije vrst entitet glejte slovar.

Na strani streзnika (integracija API). Obrazec se pošlje na vaš streзnik. Pred pisanjem v bazo podatkov vasa koda pokliče API za zaznavanje. API vrne vrste entitet z ocenami zaupanja. Zadetki z visoko gotovostjo blokirajo oddajo z jasnim sporocilom. Zadetki s srednjo gotovostjo sprozijo korak pregleda. Podatki so cisti, preden so shranjeni.

Hibridno (priporoceno). Oznacevanje na strani odjemalca daje uporabnikom hitro povratno informacijo. Preverjanja na strani streзnika zagotavljajo jamstvo za skladnost. Ce uporabnik prezre opozorilo odjemalca, streznikovo preverjanje vseeno ujame osebne podatke. Nic ne doseze baze podatkov brez preverjanja. Za pogosta vprasanja o pragovih zaznavanja glejte nas FAQ.

Primer: bolnisniški portal za bolnike

Portal za bolnike jim omogoca, da v polju prostega besedila opisejo simptome pred narocanjem. Polje redno prejema vnose z imeni drugih bolnikov, identifikacijskimi stevilkami in domacimi naslovi. Nic od tega ne spada v sistem narocanja.

Pred zaznavanjem v realnem casu:

  • Osebni podatki v polju za simptome: priblizno 12 % oddaj
  • Metoda cišcenja: tedenski paketni proces
  • Status skladnosti: reaktiven -- krsitev clena 5(1)(c) je nastala ob zbiranju

Po integraciji API ob oddaji:

  • API zazna visoko gotovostne osebne podatke pred vsakim pisanjem v bazo podatkov
  • Bolnik vidi: "Vaše sporocilo zdi se vsebuje osebne podatke. Prosimo, jih odstranite pred oddajo."
  • Bolnik popravi in znova odda
  • Baza podatkov prejme le opis simptomov

V tem scenariju so se osebni podatki v polju zmanjšali s priblizno 12 % na manj kot 1 % oddaj. Skladnost se zdaj dokazuje prek dnevnikov zaznavanja na strani streзnika namesto retrospektivnih ciscenj.

Revizijske evidence na tocki zbiranja

Regulatorji reaktivne ekipe obravnavajo drugace kot tiste, ki imajo nadzore. GDPR clen 25 -- zascita ze pri oblikovanju in privzeto -- nagrajuje slednje.

Zaznavanje na tocki zbiranja ustvarja koristne revizijske evidence:

  • Dnevnik zaznavanja. Vsak pregled obrazca je shranjen z vrstami entitet, ocenami zaupanja, sprejetim ukrepom in izidom.
  • Mesecna porocila. Povzetki prikazujejo stopnjo zaznavanja po polju in vrsti entitete ter kako se uporabniki odzivajo.
  • Evidence konfiguracije. Nastavitve praga, pokrita polja in vrste entitet pod nadzorom -- to kaže jasno, upravljano politiko.

Te evidence pomagajo pri pregledih regulatorja. Podpirajo tudi notranjo revizijo in evidence obdelave. Za primere nadzornih ukrepov na tocki zbiranja glejte nase študije primerov.

Orodja AI in minimizacija podatkov

Agenti za podporo pogosto prilepijo e-poste strank v orodja AI za sestavljanje odgovorov. Te e-poste vsebujejo ime, naslove in stevilke racunov. Posiljanje tega AI-modelu morda presega tisto, kar je potrebno.

MCP-streзnik doda korak zaznavanja, preden besedilo doseze model. Imena strank postanejo [STRANKA]. Specificne podrobnosti so ociscene. AI sestavi odgovor z ocišcenim besedilom. Agent doda nazaj le tisto, kar odgovor potrebuje.

To izpolnjuje pravilo minimizacije podatkov za uporabo AI. Model dobi le tisto, kar je potrebno -- kar je obicajno brez osebnih podatkov. Za celoten seznam vrst entitet, ki jih zaznamo, glejte entitete.

Viri

Ste pripravljeni zaščititi svoje podatke?

Začnite z anonimizacijo PII z več kot 285 tipi entitet v 48 jezikih.

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.