InnoGE Lab · Deckname (v1)
Deckname: Text anonymisieren, ohne dass er Ihre Infrastruktur verlässt
Unser erstes eigenes KI-Modell findet Namen, Adressen, IBANs und Aktenzeichen in deutschen und englischen Texten und ersetzt sie durch Platzhalter. Es läuft als Container in Ihrem eigenen Netz, eine Cloud bekommt Ihre Texte nie zu sehen. Probieren Sie es direkt aus: Text einfügen, anonymisieren, Ergebnis ansehen.
0 / 2.000 Zeichen
Ihre Eingaben werden nicht gespeichert. Die Verarbeitung läuft vollständig auf unseren eigenen Servern in Deutschland. Der Text verlässt unsere Infrastruktur nicht und wird nach der Antwort verworfen.
InnoGE/deckname in 32 Sekunden
Was passiert, wenn Sie hier einen Text anonymisieren
-
Zwei Wege zur Erkennung
Alles, was sich nachrechnen lässt, findet eine Regel-Ebene: IBANs, E-Mail-Adressen, Telefonnummern, jeweils mit geprüfter Prüfsumme. Namen, Orte, Berufe und Organisationen erkennt das trainierte Modell. Fahren Sie über eine Markierung, dann sehen Sie, welcher der beiden Wege sie gefunden hat und wie sicher er sich ist.
-
Platzhalter statt Schwärzung
Aus „Peter Müller" wird im ganzen Text [PERSON_1], egal wie oft der Name vorkommt. Der Text bleibt dadurch lesbar, Bezüge bleiben erhalten, und ein nachgelagertes Sprachmodell kann weiter damit arbeiten. Ein schwarzer Balken kann das nicht.
-
Millisekunden, ohne GPU
Unter jedem Ergebnis steht, wie lange das Modell wirklich gerechnet hat. Was Sie hier sehen, läuft auf gewöhnlichen CPUs. Ein GPU-Cluster ist nicht nötig, bei uns nicht und bei Ihnen nicht.
-
Die Demo ist bewusst begrenzt
Sie läuft auf unserer eigenen Hardware, deshalb gelten hier 2.000 Zeichen pro Anfrage und eine begrenzte Zahl von Anfragen pro Stunde. Auf Ihren Servern gibt es diese Grenzen nicht.
So arbeitet InnoGE/deckname
Was Sie oben ausprobieren, heißt technisch InnoGE/deckname (v1): unser erstes eigenes KI-Modell, trainiert auf einem eigenen Datensatz aus echten deutschen Geschäftstexten. Im Einsatz betreiben Sie es als Container in Ihrem eigenen Netz. Es gibt keine Cloud-API, an die Ihr Text geschickt wird, und keine Abrechnung pro Anfrage.
Ein Modell für Deutsch und Englisch
Beide Sprachen deckt dasselbe Modell ab. Jede Ersetzung landet zusätzlich in einem maschinenlesbaren Audit-Report: welche Entität an welcher Stelle erkannt wurde, welchem Typ sie zugeordnet ist und wodurch sie ersetzt wurde. Warum wir das Modell trainiert haben und wie es sich in unseren Messungen gegen Presidio und die großen Frontier-Modelle schlägt, lesen Sie im Launch-Artikel.
Originaldaten nach der Verarbeitung wieder einsetzen
Nichts geht verloren. Zu jeder Ersetzung liefert Deckname die Zuordnung zwischen Platzhalter und Originalwert als strukturierten Bericht: welcher Name hinter [PERSON_1] steht, welche Kontonummer hinter [IBAN_1], jeweils mit der Position im Text. Dieser Bericht bleibt auf Ihren Systemen und geht nicht mit dem Text nach außen. Sie lassen den anonymisierten Text also extern verarbeiten, etwa von einem Cloud-Sprachmodell, und setzen die Originalwerte danach lokal wieder ein. Genau deshalb unterstützt der Vorgang Ihre Pseudonymisierung: Die Verbindung zum Original bleibt bestehen, aber sie liegt allein bei Ihnen.
Was das für die DSGVO bedeutet
InnoGE/deckname erkennt und ersetzt personenbezogene Daten. Damit unterstützt es Ihre Anonymisierungs- und Pseudonymisierungsprozesse und lässt sich als technische und organisatorische Maßnahme nach Art. 25 und Art. 32 DSGVO in Ihr Datenschutzkonzept einordnen. Ob ein Ergebnis rechtlich als anonym oder pseudonym gilt, entscheidet allerdings der Kontext: die Restinformation im Text, das Zusatzwissen der empfangenden Stelle, der Zweck der Verarbeitung. Diese Bewertung trifft Ihre Datenschutzorganisation, nicht das Werkzeug.
Sprechen wir über Ihren Anwendungsfall
Diese Demo läuft auf unseren Servern, der Ernstfall läuft auf Ihren. Im kostenlosen Erstgespräch klären wir, welche Texte bei Ihnen anfallen, wie der Betrieb in Ihrer Infrastruktur aussieht und ob eine Messung auf einer Stichprobe Ihrer Daten der richtige nächste Schritt ist.
Benchmark-Quellen: GermEval 2014 NER (Benikova, Biemann, Reznicek) · German LER (Leitner, Rehm, Moreno-Schneider) · Lizenz: CC BY 4.0