anonym.legal

By · Last updated 2026-06-05

กลับไปที่บล็อกความปลอดภัยของ AI

ข้อมูลส่วนบุคคลในภาพหน้าจอ: การรั่วไหลในเครื่องมือภายใน

Slack, Teams, Jira และอีเมลรับภาพหน้าจอที่มีข้อมูลส่วนบุคคลของลูกค้าเป็นประจำ การละเมิดการควบคุมการเข้าถึงนี้หลีกเลี่ยงเครื่องมือ DLP ทุกตัว

June 5, 20266 อ่านประมาณ
screenshot PIIinternal toolsGDPR compliancedata leakageJira Slack security

จุดอ่อน DLP ที่คุณยังไม่ได้ตรวจสอบ

เครื่องมือ DLP ตรวจสอบการรับส่งข้อมูลเครือข่าย ไฟล์อีเมล และการถ่ายโอนไฟล์ ตรวจจับสเปรดชีตที่มีคอลัมน์ SSN บล็อกอีเมลที่มีรายชื่อลูกค้า ป้องกันการอัปโหลดที่มีบันทึกทางการแพทย์

แต่ไม่สามารถตรวจจับภาพหน้าจอได้

ภาพหน้าจอคือไฟล์รูปภาพ ข้อมูลส่วนบุคคลที่อยู่ในนั้นถูกวาดเป็นพิกเซล ไม่ได้จัดเก็บเป็นข้อความ เครื่องมือ DLP ที่สแกนหารูปแบบข้อมูลส่วนบุคคลไม่พบอะไรเลย

ทุกวัน พนักงานวางภาพหน้าจอลงใน Slack, Jira, Teams และเธรดอีเมล โดยไม่มีการแจ้งเตือน DLP เลยแม้แต่ครั้งเดียว

ภาพหน้าจอแพร่กระจายข้อมูลส่วนบุคคลในที่ทำงานได้อย่างไร

การทำงานทางไกลและแบบไฮบริดทำให้การแชร์ภาพหน้าจอกลายเป็นเรื่องปกติ เครื่องมือภายในเต็มไปด้วยภาพเหล่านี้ทุกวัน

สมาชิกทีมแชร์ภาพหน้าจอเพื่อความรวดเร็วในการสื่อสาร:

  • เจ้าหน้าที่ฝ่ายสนับสนุนจับภาพหน้าบัญชีลูกค้าเพื่อแชร์กับหัวหน้าทีม
  • นักพัฒนาแชร์บันทึกข้อผิดพลาดที่รวมข้อมูลที่ผู้ใช้ป้อน
  • ผู้จัดการบัญชีส่งบันทึก CRM เพื่อให้บริบทแก่ทีมการเงิน
  • ผู้ดูแลระบบ IT จับภาพมุมมองระบบเพื่อบันทึกการตั้งค่าให้ผู้รับเหมา
  • ทีมผลิตภัณฑ์แชร์มุมมองแดชบอร์ดในการอัปเดตผู้มีส่วนได้ส่วนเสีย

ไฟล์แนบแต่ละรายการอาจมีข้อมูลส่วนบุคคล การจับภาพบัญชีลูกค้ามีชื่อ อีเมล สถานะ และที่อยู่สำหรับการเรียกเก็บเงิน ไฟล์บันทึกข้อผิดพลาดอาจรวมถึงชื่อ ที่อยู่ หรือหมายเลขโทรศัพท์ที่ผู้ใช้ป้อน

ปัญหาการควบคุมการเข้าถึง

การแชร์ภาพหน้าจอยังสร้างปัญหาการควบคุมการเข้าถึง

องค์กรส่วนใหญ่บังคับใช้การควบคุมการเข้าถึงตามบทบาทในระบบการผลิต เจ้าหน้าที่ฝ่ายสนับสนุนเห็นเฉพาะบันทึกในคิวของตน ผู้รับเหมาเห็นเฉพาะไฟล์โครงการที่ได้รับมอบหมาย

เมื่อเจ้าหน้าที่จับภาพบันทึกลูกค้าและวางลงในช่อง Slack ที่มีผู้รับเหมา การควบคุมการเข้าถึงถูกหลีกเลี่ยง ผู้รับเหมาได้รับข้อมูลส่วนบุคคลที่ไม่สามารถเข้าถึงได้ผ่านช่องทางปกติ DPA สำหรับงานผู้รับเหมาอาจไม่ครอบคลุมการถ่ายโอนนี้

การหลีกเลี่ยงนี้เป็นปัญหา GDPR Article 5(1)(f) ซึ่งครอบคลุมความสมบูรณ์และการรักษาความลับ อาจสร้างปัญหาการสอดคล้องกับ Article 28 หากผู้รับเหมาได้รับข้อมูลส่วนบุคคลโดยไม่มี DPA ที่ถูกต้อง ดู คู่มือการปฏิบัติตาม GDPR ของเรา สำหรับรายการตรวจสอบหน้าที่ Article 28

การตรวจหาข้อมูลส่วนบุคคลในรูปภาพเป็นมาตรการป้องกันทางเทคนิค

มาตรการป้องกันทางเทคนิคสำหรับการรั่วไหลของข้อมูลส่วนบุคคลจากภาพหน้าจอคือ OCR ร่วมกับการตรวจหา NLP ขั้นตอนมีดังนี้:

  1. พนักงานจับภาพหน้าจอของอินเทอร์เฟซลูกค้า
  2. ก่อนแชร์: อัปโหลดภาพไปยังเครื่องมือตรวจหา
  3. เครื่องมือดึงข้อความที่มองเห็นได้ผ่าน OCR
  4. NLP ค้นหาเอนทิตีข้อมูลส่วนบุคคลในข้อความ
  5. พนักงานเห็นรายงาน: "ภาพนี้มี: [ชื่อลูกค้า], [ที่อยู่อีเมล], [ID บัญชี]"
  6. พนักงานจากนั้นแก้ไขข้อมูลส่วนบุคคล จำกัดขอบเขตการแชร์ หรือดำเนินการต่อพร้อมเหตุผลที่เป็นลายลักษณ์อักษร

สิ่งนี้ไม่ได้บล็อกการแชร์ทั้งหมด แต่แสดงข้อมูลส่วนบุคคลก่อนที่จะเคลื่อนย้าย ผู้คนสามารถตัดสินใจอย่างมีข้อมูลได้

กรณีใช้งาน: นโยบายภาพหน้าจอ Jira ของ SaaS Helpdesk

ฝ่ายช่วยเหลือของบริษัท SaaS ใช้ Jira เพื่อบันทึกปัญหาบัญชี ไฟล์ที่แนบกับตั๋วเหล่านั้นมีข้อมูลส่วนบุคคลของผู้ใช้:

  • ที่อยู่อีเมลผู้ใช้จากหน้าจัดการบัญชี
  • รายละเอียดแผนการสมัครสมาชิก
  • ยอดเรียกเก็บเงินและวันที่
  • ข้อมูลการชำระเงินบางส่วนในบางกรณี

การตรวจสอบ GDPR พบตั๋ว Jira 847 ใบที่สร้างในช่วง 18 เดือน ทั้งหมดมีไฟล์แนบข้อมูลส่วนบุคคล Jira เปิดให้วิศวกร 200 คนทั้งหมด บางส่วนเป็นผู้รับเหมาที่ไม่มี DPA สำหรับบันทึกการเรียกเก็บเงินลูกค้า

ขั้นตอนการแก้ไข:

  1. การตรวจสอบย้อนหลัง: การตรวจหาข้อมูลส่วนบุคคลในไฟล์แนบที่มีอยู่ทั้งหมด ตั๋ว 312 ใบถูกระบุสำหรับการตรวจสอบโดย DPO
  2. การทำความสะอาดตั๋ว: 89 ตั๋วมีไฟล์ที่ถูกบดบังก่อนแนบใหม่
  3. การเปลี่ยนแปลงกระบวนการ: ขั้นตอนการทำงานใหม่ที่กำหนดให้ตรวจสอบข้อมูลส่วนบุคคลก่อนแนบ Jira
  4. การฝึกอบรม: เซสชัน 15 นาทีสำหรับเจ้าหน้าที่ฝ่ายช่วยเหลือทั้งหมด

ผลลัพธ์หลัง 90 วัน:

  • เหตุการณ์ข้อมูลส่วนบุคคลใน Jira: ลดลง 90 เปอร์เซ็นต์
  • เหตุการณ์ที่เหลือ: กรณีที่เจ้าหน้าที่ดำเนินการต่อพร้อมเหตุผลการวินิจฉัยที่เป็นลายลักษณ์อักษร
  • ขอบเขต DPA: อัปเดตเพื่อลดการเปิดเผยข้อมูลส่วนบุคคลที่ไม่จำเป็นสำหรับผู้รับเหมา

แหล่งอ้างอิง

พร้อมที่จะปกป้องข้อมูลของคุณหรือยัง?

เริ่มทำให้ PII เป็นนิรนามด้วยประเภทเอนทิตีมากกว่า 285 ประเภทใน 48 ภาษา.

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.