Projekte
Anonymisieren vor der Inferenz
Eine interne Entwicklung: Echte Identitäten werden durch stabile Aliase ersetzt, bevor Inhalte ein Modell erreichen. Eine unabhängige Prüfung bricht den Lauf ab, wenn ein echter Wert durchrutscht, und die Rückführung geschieht nur lokal.
- Was es belegt
- Sensible Daten mit einem Modell eines Drittanbieters nutzen und dabei echte Identitäten aus den Daten heraushalten, die das Modell erhält.
- Phasen der Methode
- Gebaut aus
- Stabile Alias-Ersetzung vor jedem Modellaufruf
- Unabhängige Prüfstufe: bricht den Lauf ab, sobald ein echter Wert erkannt wird
- Rückführung ausschliesslich lokal am Ende der Pipeline
Die Ausgangslage
Die üblichen Ratschläge zum Umgang mit sensiblen Daten und Modellen von Drittanbietern sind organisatorisch: ein Auftragsverarbeitungsvertrag, eine Regel, was man nicht in ein Chatfenster einfügt, eine Schulung. Eine Richtlinie wird vergessen. Eine architektonische Vorgabe gilt immer.
Was wir gebaut haben
Bevor ein Dokument, ein Transkript oder ein strukturierter Datensatz ein Modell erreicht, wird jeder Name, jede Adresse und jede Kennung darin durch einen stabilen Alias ersetzt. Stabil heisst: Derselbe echte Wert erhält innerhalb eines Laufs immer denselben Alias. So kann das Modell Zusammenhänge erkennen, etwa dass dieselbe Person dreimal in einem Dokument vorkommt, ohne zu erfahren, wer sie ist.
Das Modell arbeitet ausschliesslich mit Alias-Inhalten. Am Ende werden die Aliase lokal zurückgeführt, auf einer Infrastruktur, die nie etwas an das Modell gesendet hat.
Zwischen Pipeline und Modell sitzt eine eigene Prüfung. Sie kontrolliert alles, was die Systemgrenze verlassen soll, und bricht den ganzen Lauf ab, sobald sie einen echten Wert findet, der hätte ersetzt werden müssen. Sie ist unabhängig von der Ersetzungslogik und teilt deshalb deren blinde Flecken nicht.
Was es für Kunden belegt
Personendaten, Geschäftsdaten und vom DSG geschützte Daten lassen sich mit einem Modell nutzen, während die Rohwerte innerhalb Ihrer Grenze bleiben. Die Prüfung läuft bei jedem Lauf, und die Rückführung liegt unter Ihrer eigenen Kontrolle.
Phasen der Methode
Das Projekt gehört in Phase 03 · System entwickeln, in der Sicherheits- und Datenschutzarbeit entsteht, bevor Nutzende mit Echtdaten in Berührung kommen. Der Hinweis zur regulatorischen Anwendbarkeit in Phase 01 · Fall begründen zeigt, wo Sie das brauchen. Siehe die KARPINITY-Methode.