anonym.legal

By · Last updated 2026-06-05

กลับไปที่บล็อกGDPR & การปฏิบัติตาม

เครื่องมือ PII แบบ Self-Hosted ล้มเหลวในการตรวจสอบ Compliance

spaCy 3.4.4 ให้ผลลัพธ์ NER ที่แตกต่างจาก spaCy 3.5.1 บริษัทการเงินค้นพบว่าเอกสาร 3% ถูก anonymize ต่างกันใน staging และ production

June 5, 20266 อ่านประมาณ
compliance auditenvironment consistencyspaCy versionsself-hosted PIIreproducible anonymization

ทำไมเครื่องมือ PII แบบ Self-Hosted ถึงล้มเหลวในการตรวจสอบ Compliance

GDPR ต้องการหลักฐาน คุณต้องแสดงให้เห็นว่าการลบ PII ทำในลักษณะเดิมทุกครั้ง ผู้ตรวจสอบ DPA ตรวจสิ่งนี้ พวกเขาต้องการเห็นวิธีการที่ชัดเจนและสม่ำเสมอที่ใช้กับข้อมูลทั้งหมด

Presidio แบบ self-hosted มีปัญหาจริงที่นี่ ไม่ใช่ปัญหา config มันคือขีดจำกัดหลักของเครื่องมือ NLP แบบ self-hosted

Environment Drift คืออะไร?

Presidio แบบ self-hosted ทำงานใน dev, staging และ production แต่ละอย่างอาจทำงานต่างกัน ดังนั้น input เดิมอาจให้ผลลัพธ์ที่ต่างกันในแต่ละ environment

นี่เรียกว่า environment drift มีสาเหตุหลักสี่ประการ

Model Version Drift

spaCy model มีการกำหนดเวอร์ชัน โมเดล en_core_web_lg 3.4.4 และ en_core_web_lg 3.5.1 ถูกฝึกบนข้อมูลที่ต่างกัน พวกเขาใช้การออกแบบที่ต่างกันด้วย ดังนั้น document เดิมอาจให้ผลลัพธ์ NER ที่ต่างกันกับแต่ละเวอร์ชัน

การตั้งค่าทั่วไปมีลักษณะแบบนี้:

  • Dev: en_core_web_lg 3.4.4 — ติดตั้งตอนเริ่มโครงการ
  • Staging: en_core_web_lg 3.5.0 — อัปเดตระหว่างงานประจำ
  • Production: en_core_web_lg 3.5.1 — อัปเดตระหว่างการแก้ไขความปลอดภัย

นั่นคือสาม environment สามเวอร์ชันโมเดล ผลลัพธ์การตรวจจับสามแบบที่ต่างกัน การทดสอบผ่านใน staging แต่ production ใช้โมเดลที่ต่างกัน ดังนั้นช่องว่างยังคงซ่อนอยู่

Dependency Version Drift

spaCy 3.4.x และ 3.5.x ต่างกันในวิธีที่แบ่งประโยค การเปลี่ยนแปลงนั้นส่งผลต่อวิธีการพบชื่อใกล้การแบ่งประโยค การเปลี่ยนแปลงเหล่านี้อยู่ใน spaCy release notes แต่ทีมส่วนใหญ่ไม่ตรวจสอบสำหรับผลกระทบต่อ PII

Configuration Drift

คะแนน threshold ที่ตั้งใน dev อาจไม่ถ่ายโอนไปยัง production custom word list ก็อาจต่างกันระหว่าง environment ช่องว่างเหล่านี้ทั่วไป ไม่ค่อยได้ติดตาม ดู GDPR compliance guide สำหรับสิ่งที่ผู้ตรวจสอบมองหา

ความแตกต่างของ Hardware

การคณิตศาสตร์ใน NLP model ไม่เหมือนกันทุก CPU และ GPU laptop สำหรับผู้บริโภคและเซิร์ฟเวอร์อาจให้ผลคะแนนที่ต่างกันเล็กน้อย ดังนั้น บางชื่ออาจพบในเครื่องหนึ่งแต่ไม่พบในอีกเครื่องหนึ่ง

ผลการตรวจสอบจริง

ธนาคารทดสอบการตั้งค่า Presidio แบบ self-hosted

การตั้งค่าทดสอบ: Presidio พร้อม spaCy 3.4.4 บน staging cluster การตั้งค่า live: Presidio พร้อม spaCy 3.5.1 บน production cluster

พวกเขาเรียกใช้ชุด document เดียวกันผ่านทั้งสองแล้วเปรียบเทียบผลลัพธ์ การค้นพบ: เอกสาร 3% มีผลลัพธ์การลบ PII ที่ต่างกัน บางชื่อถูกจับได้ใน staging แต่ไม่ใช่ใน production บางรายการมี text span ที่ตรวจจับต่างกัน

ผลการตรวจสอบตรงไปตรงมา: "บริษัทไม่สามารถแสดงการใช้มาตรการทางเทคนิคในการลบ PII อย่างสม่ำเสมอเนื่องจากความแตกต่างเฉพาะการตั้งค่าในผลลัพธ์การตรวจจับ"

GDPR Article 32 ต้องการมาตรการทางเทคนิคที่เหมาะสม กฎ EDPB เกี่ยวกับการลบ PII ต้องการความสม่ำเสมอและความสามารถในการทำซ้ำ อัตรา 3% ใน 100,000 เอกสารต่อเดือนหมายถึงเอกสาร 3,000 รายการที่มีผลลัพธ์ที่ไม่สม่ำเสมอทุกเดือน บางรายการเป็น false negative PII ที่ staging จับได้ยังคงอยู่ใน live output นั่นคือความล้มเหลว compliance

ธนาคารจากนั้นย้ายไป managed SaaS ผลการตรวจสอบถูกปิด ดู security and compliance page สำหรับวิธีที่การตั้งค่า managed จัดการเรื่องนี้

ทำไม Managed Service จึงแตกต่าง

Managed service ใช้ engine เวอร์ชันเดียว ผู้ใช้ทุกคนใช้เวอร์ชันเดียวกันในเวลาเดียวกัน Model update ถูกนำไปใช้จากที่เดียว Config ก็ถูกจัดการจากที่เดียวด้วย log การเปลี่ยนแปลงครบถ้วน hardware ของผู้ใช้ไม่ส่งผลต่อผลลัพธ์

ดังนั้น document เดิมที่ประมวลผลวันนี้ให้ผลลัพธ์เดียวกันเดือนหน้า หาก engine เวอร์ชันเปลี่ยน การเปลี่ยนแปลงนั้นถูก log และกำหนดเวอร์ชัน

ความแตกต่างของ audit trail เป็นสิ่งสำคัญ

Audit trail แบบ Self-hosted:

  • "ใช้ Presidio 2.2.35 พร้อม spaCy en_core_web_lg 3.5.1 บน Ubuntu 22.04"
  • มันเป็นเวอร์ชันเดียวกับ staging หรือไม่? ไม่ทราบ
  • โมเดลเปลี่ยนแปลงตั้งแต่ประมวลผล document นี้หรือไม่? ไม่ทราบหากไม่ได้ติดตาม
  • คะแนน threshold เหมือนกับในการทดสอบหรือไม่? ขึ้นอยู่กับการจัดการ config

Audit trail แบบ Managed service:

  • "ใช้ anonym.legal API, engine version 4.22.1, เวลา 2025-03-15T14:22:31Z"
  • เวอร์ชันเดียวกันสำหรับผู้ใช้ทุกคน? ใช่
  • มันเปลี่ยนแปลงหรือไม่? Engine version ถูก pin ไว้ Version 4.22.1 หมายถึง engine เดียวกันเสมอ
  • Config สามารถทำซ้ำได้หรือไม่? ใช่ Preset ID ถูก log ไว้ Config ณ เวอร์ชันนั้นสามารถดึงมาได้

Trail แบบ managed ชัดเจน Trail แบบ self-hosted ต้องการการติดตามอย่างระมัดระวังที่ทีมส่วนใหญ่ข้ามไป

วิธีปรับปรุงความสม่ำเสมอของ Self-Hosted

หากจำเป็นต้อง self-host คุณสามารถลด drift ด้วยสี่ขั้นตอน

ประการแรก pin เวอร์ชันโมเดล Lock เวอร์ชันโมเดลที่แน่นอนในไฟล์ deploy ทั้งหมด บล็อก auto-update ติดตามเวอร์ชันใน source control

ต่อไป freeze container image สร้าง Docker image ที่มีเวอร์ชันโมเดลที่แน่นอนฝังอยู่ Tag แต่ละ image ด้วยเวอร์ชันโมเดล เวอร์ชัน Presidio และวันที่ อย่าอัปเดต base image โดยไม่ทดสอบก่อน

นอกจากนี้ เก็บ config ในโค้ด เก็บการตั้งค่า Presidio ทั้งหมดในไฟล์ที่ติดตามใน version control ซึ่งรวมถึง detector, คะแนน threshold และภาษาที่ active Deploy config พร้อมกับแอป

สุดท้าย ทดสอบข้าม environment หลัง update ใดๆ เรียกใช้ชุด test document คงที่ผ่านการตั้งค่าใหม่ เปรียบเทียบผลลัพธ์กับ reference ที่จัดเก็บไว้ ทำให้การตรวจสอบนี้เป็นอัตโนมัติ ดู FAQ สำหรับคำถามทั่วไปเกี่ยวกับการทดสอบ PII regression อัตโนมัติ

ขั้นตอนเหล่านี้ช่วยได้ แต่ยังเพิ่มงาน managed service ให้ความสม่ำเสมอเดียวกันโดยไม่ต้องใช้ความพยายามเพิ่ม

ผลสรุป

การลบ PII ที่สม่ำเสมอไม่ปรากฏบน product sheet แต่มันสำคัญมากเมื่อผู้ตรวจสอบขอหลักฐาน

หากไม่ดูแลอย่างตั้งใจ เครื่องมือ PII แบบ self-hosted จะ drift การเปลี่ยนแปลงเวอร์ชันเพิ่มช่องว่างที่เงียบ ช่องว่างเหล่านั้นปรากฏเป็นผลการตรวจสอบ

Managed service ให้ความสม่ำเสมอโดยค่าเริ่มต้น Engine ทำงานจากที่เดียว การตั้งค่า hardware ของผู้ใช้ไม่ส่งผลต่อผลลัพธ์ สำหรับทีมที่มุ่งเน้น compliance นี่คือข้อได้เปรียบโดยตรง

แหล่งที่มา

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.