ข้อมูลเชิงลึกเกี่ยวกับความเป็นส่วนตัวของข้อมูล
บทความจากผู้เชี่ยวชาญเกี่ยวกับความปลอดภัยของ AI, การปฏิบัติตาม GDPR, การปกป้องข้อมูลด้านสุขภาพ, และแนวปฏิบัติที่ดีที่สุดในการทำให้ PII เป็นนิรนาม.
บทความทั้งหมด
Garante อิตาลี: การปฏิบัติตาม AI และ PII
Garante ของอิตาลีปรับ OpenAI €15 ล้านในเดือนธันวาคม 2024 และห้าม ChatGPT ชั่วคราวในปี 2023 63% ของบริษัทอิตาลีขาดนโยบายธรรมาภิบาลข้อมูล AI
LGPD บราซิล: CPF, CNPJ และการคุ้มครองข้อมูล
LGPD ครอบคลุมชาวบราซิล 215 ล้านคน และ ANPD เริ่มการบังคับใช้ที่สำคัญในปี 2024 CPF ถูกตรวจจับด้วยความแม่นยำเพียง 45% โดยเครื่องมือที่ฝึกด้วยภาษาอังกฤษ
Dutch AP: ค่าปรับ €290 ล้าน และการบังคับใช้ GDPR
Dutch AP ออกค่าปรับการโอนข้อมูลครั้งใหญ่ที่สุดในสหภาพยุโรป — €290 ล้านต่อ Uber BSN (หมายเลขประจำตัวประชาชนดัตช์) ต้องผ่านการตรวจสอบ 11-proef ซึ่งเครื่องมือ 56% พลาด
UODO โปแลนด์: PESEL, NIP และ RODO
UODO พบว่า 89% ของเครื่องมือที่ใช้งานอยู่ล้มเหลวในการตรวจจับ PESEL ของโปแลนด์อย่างถูกต้อง โปแลนด์ประมวลผลบันทึกลูกค้าสหภาพยุโรป 2.3 ล้านรายต่อวัน การตรวจสอบ checksum ของ PESEL, NIP
ANSPDCP โรมาเนีย: การตรวจจับ CNP และการตรวจสอบ GDPR
ANSPDCP พบว่า 78% ของเครื่องมือพลาด CNP ของโรมาเนียด้วยการตรวจสอบที่เหมาะสม CNP เข้ารหัสเพศ วันเกิด และจังหวัดเกิด — ผลกระทบต่อข้อมูลหมวดพิเศษ GDPR
IMY สวีเดน: Personnummer และการตรวจสอบ Luhn
IMY พบว่า 45% ของเครื่องมือทั่วไปพลาด personnummer ของสวีเดน Samordningsnummer (offset 60) ถูกพลาดโดยการใช้งานส่วนใหญ่ อัตราการใช้สิทธิ์ GDPR 79% ของสวีเดน
CPR ของเดนมาร์ก: การตรวจสอบ Modulus-11 สำหรับ GDPR
67% ของเครื่องมือ NLP พลาดการตรวจสอบ modulus-11 ของหมายเลข CPR ของเดนมาร์ก Datatilsynet มีการดำเนินการบังคับใช้ด้านสุขภาพ 14 ครั้งในปี 2024 การใช้ข้อมูลสุขภาพเพื่อวัตถุประสงค์รอง
Czech Rodné Číslo: การเข้ารหัสเพศและ GDPR
Czech rodné číslo เข้ารหัสเพศผ่านการเข้ารหัสเดือนแบบ offset 50 — ทำให้เป็นข้อมูลหมวดพิเศษ GDPR Article 9 บริษัท 67% ของสาธารณรัฐเช็กใช้เครื่องมือเยอรมัน
NAIH ฮังการี: TAJ-Szám และ Adóazonosító Jel
ความแม่นยำ NER ภาษาฮังการีอยู่ที่ 67% เทียบกับค่าเฉลี่ยสหภาพยุโรป 82% — การประเมินปี 2024 ของ NAIH ช่องว่างการตรวจจับ TAJ-szám weighted checksum และ adóazonosító jel
HDPA กรีซ: การตรวจจับ AFM และ AMKA
เครื่องมือทั่วไปตรวจจับ AFM ของกรีซได้แม่นยำเพียง 52% เท่านั้น HDPA ออกคำวินิจฉัย 89 ฉบับในปี 2024 เพิ่มขึ้น 162% จากปี 2022 ภาคการท่องเที่ยวและการเดินเรือมีความเสี่ยงเป็นพิเศษ
My Number ของญี่ปุ่น: อัลกอริทึม Verhoeff และ APPI
63% ของเครื่องมือทั่วไปไม่สามารถตรวจจับ My Number ในเอกสารภาษาญี่ปุ่นได้ My Number ใช้อัลกอริทึม Verhoeff ซึ่งเป็น checksum ของ ID ประชาชาติที่ซับซ้อนที่สุดในเอเชีย
ไฟล์ Epstein: การไฮไลต์ไม่ใช่การลบข้อมูล
การเผยแพร่ไฟล์ Epstein ของกระทรวงยุติธรรมสหรัฐฯ เดือนธันวาคม 2025 เปิดเผยความล้มเหลวร้ายแรงของการลบข้อมูล: ข้อความ PDF ที่ไฮไลต์สีดำยังสามารถอ่านได้โดยการคัดลอก-วาง
สิทธิ์ความลับระหว่างทนายความ-ลูกความ & AI ในปี 2026
ศาลรัฐบาลกลางสหรัฐฯ เดือนกุมภาพันธ์ 2026 ตัดสินว่าการสื่อสารผ่าน AI ไม่อยู่ภายใต้สิทธิ์ความลับระหว่างทนายความ-ลูกความ
Zero-Knowledge กับ Zero-Trust: ความแตกต่างของการเข้ารหัสคลาวด์
LastPass เข้ารหัสข้อมูลผู้ใช้ไว้เช่นกัน แต่ยังถูกขโมยไป $438 ล้าน นี่คือความแตกต่างระหว่างการเข้ารหัสฝั่งเซิร์ฟเวอร์และ zero-knowledge แท้จริง
PII แบบ Air-Gapped: Offline-First สำหรับการป้องกันระดับสูง
41% ของนโยบายความปลอดภัยองค์กรห้ามการประมวลผลคลาวด์สำหรับเอกสารลับ เรียนรู้วิธีลบ PII ในเครือข่ายที่ไม่มีอินเทอร์เน็ต
การตรวจจับ PII หลายภาษาสำหรับ GDPR
Steuer-ID เยอรมัน NIR ฝรั่งเศส และ Personnummer สวีเดน ต่างต้องการตรรกะการตรวจจับที่แตกต่างกัน เรียนรู้วิธีครอบคลุม PII ของ EU ทุก 27 ประเทศสมาชิก
การเลือกระหว่างการลบข้อมูลแบบย้อนกลับได้และถาวร
GDPR แยกแยะระหว่างการทำให้ไม่ระบุตัวตนและการใช้นามแฝง ศาลต้องการเอกสารต้นฉบับ งานวิจัยต้องการการระบุตัวตนใหม่ เรียนรู้ว่าควรใช้แนวทางใดในแต่ละสถานการณ์
NER หลายภาษา: โมเดลภาษาอังกฤษใช้ไม่ได้กับภาษาอาหรับ
โมเดล NER ที่ฝึกด้วยภาษาอังกฤษได้ความแม่นยำ 85-92% แต่สำหรับภาษาอาหรับและจีน มักได้เพียง 50-70% เรียนรู้ความท้าทายทางเทคนิคและวิธีสร้างระบบที่ครอบคลุมอย่างแท้จริง
94% ของ SMB ถูกโจมตี: การปกป้องความเป็นส่วนตัวในราคาที่จับต้องได้
SMB เผชิญกับภัยคุกคามเดียวกับองค์กรขนาดใหญ่แต่ไม่สามารถจ่ายค่าเครื่องมือกว่า $800+/เดือนได้ นี่คือวิธีได้รับการปกป้องความเป็นส่วนตัวระดับองค์กรในราคา €3/เดือน
การตรวจจับ PHI: Snow Labs 96% เทียบกับ GPT-4o
เครื่องมือลบข้อมูลระบุตัวตนไม่ได้มีคุณภาพเท่ากันทุกตัว ผลการทดสอบ ECIR 2025 แสดงคะแนน F1 ตั้งแต่ 79% ถึง 96% เรียนรู้ว่าทำไมความแม่นยำจึงสำคัญและวิธีประเมินเครื่องมือ
ศาลลงโทษทนายความจากความล้มเหลวในการปิดบัง
การไฮไลต์ข้อความใน Word ไม่ใช่การปิดบัง ศาลกำลังลงโทษทนายความจากความล้มเหลวทางเทคนิคที่เปิดเผยข้อมูลที่มีสิทธิ์พิเศษ
ใช้ Claude และ ChatGPT โดยไม่รั่วไหล PII
คู่มือนักพัฒนาสำหรับการใช้ AI assistant อย่างปลอดภัย ตั้งค่าการผสานรวม MCP Server เพื่อการปกป้อง PII อย่างโปร่งใสใน Claude Desktop, Cursor และ VS Code
ผู้ใช้ 900K คนถูกขโมยบทสนทนา AI
Chrome extension ที่เป็นอันตรายสองตัวขโมยบทสนทนา ChatGPT จากผู้ใช้กว่า 900,000 คน หนึ่งในนั้นมีป้าย 'Featured' ของ Google
$7.42M: ต้นทุนการละเมิดข้อมูลด้านสุขภาพสูงที่สุด
ภาคสุขภาพครองอันดับ 1 อุตสาหกรรมที่มีต้นทุนการละเมิดข้อมูลสูงที่สุดติดต่อกัน 14 ปี เรียนรู้ว่าทำไม PHI จึงมีค่ามากและวิธีปกป้อง
เริ่มปกป้องข้อมูลของคุณวันนี้
ประเภทเอนทิตีมากกว่า 267 ประเภท, 48 ภาษา, ความปลอดภัยระดับองค์กรในราคาสำหรับผู้เริ่มต้น.
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, held by our hosting provider.
- 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
Automated checks run on every release.
Each surface gets its own sweep script and report.
Human reviewers spot-check the output each week.
We test detection against sample documents before each release.
A failing unit or integration run stops the release.
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.
Paid plans can buy top-up credits.
Credits reset at the end of each cycle.
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.