วิธีการทำงานของ anonym.legal
การตรวจจับ PII ที่กำหนดได้โดยใช้ regex ซึ่งให้ผลลัพธ์ที่สามารถทำซ้ำได้ 100% ข้อมูลนำเข้าเดียวกัน ผลลัพธ์เดียวกัน—ทุกครั้ง ไม่มี AI ไม่มีการคาดเดา เพียงแค่การจับคู่รูปแบบที่โปร่งใส
How Does PII Detection Work?
PII detection identifies personal data in text using pattern matching and machine learning. anonym.legal uses a hybrid approach:
- 1Pattern Matching: Regex patterns detect structured data (SSNs, credit cards, IBANs) with checksum validation.
- 2Named Entity Recognition: NER models identify names, locations, and organizations in 48 languages.
- 3Context 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.
ทำไมต้อง Regex ไม่ใช่ AI?
แนวทางของเรา
- ผลลัพธ์ที่สามารถทำซ้ำได้ 100%
- ตรวจสอบได้อย่างเต็มที่เพื่อความสอดคล้อง
- ไม่ต้องการข้อมูลการฝึกอบรม
- การตัดสินใจที่โปร่งใส
- ประสิทธิภาพที่รวดเร็วและคาดการณ์ได้
- ไม่มีการเบี่ยงเบนของโมเดลตามเวลา
แนวทาง AI/ML
- ผลลัพธ์แตกต่างกันระหว่างการทำงาน
- การตัดสินใจแบบกล่องดำ
- ต้องการข้อมูลการฝึกอบรม
- ตรวจสอบได้ยาก
- ค่าใช้จ่ายในการคำนวณสูงขึ้น
- การเบี่ยงเบนของโมเดลตามเวลา
กระบวนการ 10 ขั้นตอน
จากข้อมูลนำเข้าสู่ผลลัพธ์ นี่คือสิ่งที่เกิดขึ้นกับเอกสารของคุณ
ข้อมูลนำเข้า
ส่งเอกสารของคุณผ่านทางเว็บอินเตอร์เฟส, API หรือ Office Add-in
การตรวจจับภาษา
ระบบระบุภาษาของเอกสารเพื่อการประมวลผลที่ดีที่สุด
การแยกคำ
ข้อความจะแบ่งออกเป็นโทเค็นเพื่อการจับคู่รูปแบบ
การจับคู่รูปแบบ
รูปแบบ regex สแกนหาประเภทเอนทิตีมากกว่า 50 ประเภท
การวิเคราะห์บริบท
ข้อความรอบข้างช่วยปรับปรุงความแม่นยำในการตรวจจับ
การให้คะแนนความมั่นใจ
การตรวจจับแต่ละครั้งจะได้รับคะแนนความมั่นใจ
การจำแนกประเภทเอนทิตี
รายการที่ตรวจจับได้จะถูกจัดประเภทตามประเภท
ตรวจสอบผลลัพธ์
ดูการตรวจจับทั้งหมดพร้อมตำแหน่งและคะแนน
ใช้การทำให้ข้อมูลเป็นนิรนาม
เลือกวิธีการของคุณ: แทนที่, แก้ไข, แฮช, เข้ารหัส, หรือปิดบัง
เอกสารผลลัพธ์
ดาวน์โหลดเอกสารที่ทำให้ข้อมูลเป็นนิรนามของคุณ
MCP Server: การรวม AI ที่เน้นความเป็นส่วนตัว
ข้อมูลของคุณไหลผ่าน MCP Server เพื่อรักษาความปลอดภัยของเครื่องมือ AI
คำขอจากเครื่องมือ AI
เครื่องมือ AI ของคุณ (Cursor, Claude) ส่งคำขอที่มี PII
MCP Server ดักจับ
เซิร์ฟเวอร์วิเคราะห์และตรวจจับเอนทิตี PII ทั้งหมด
การทำให้ข้อมูลเป็นนิรนาม
PII ถูกแทนที่ด้วยโทเค็นหรือถูกแก้ไข
การประมวลผล AI
AI รับและประมวลผลเฉพาะข้อมูลที่ทำให้เป็นนิรนาม
การส่งคืนคำตอบ
คำตอบจาก AI จะกลับมาผ่าน MCP Server
การคืนค่าโทเค็น
ตัวเลือก: คืนค่าตัวเลขเดิมสำหรับผู้ใช้
ตัวอย่างในโลกจริง
ดำเนินการชำระเงินสำหรับ John Doe, อีเมล john@example.com, บัตร 4532-1111-2222-3333สิ่งที่ AI เห็น
ดำเนินการชำระเงินสำหรับ PII_PERSON_001, อีเมล PII_EMAIL_001, บัตร PII_CREDIT_CARD_001สิ่งที่คุณได้รับกลับ
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.
ดูการทำงาน
ทดลองการตรวจจับ PII และการทำให้ข้อมูลเป็นนิรนามฟรีด้วย 200 โทเค็นต่อรอบ