Anonymisering eller pseudonymisering inför AI? Skillnaden spelar roll

Ett borttaget namn är bara början

Tänk dig en fiktiv rapport där namnet har ersatts med PERSON_1. Rapporten beskriver fortfarande en unik befattning, en liten arbetsplats och ett exakt datum för en händelse. Läsaren kan kanske förstå vem rapporten handlar om utan att se namnet.

Det är därför bättre att beskriva vad en bearbetning faktiskt gör än att direkt kalla resultatet anonymt. Fråga vilka uppgifter som finns kvar, vem som kan läsa dem och vilken kompletterande information den personen har tillgång till.

IMY skiljer mellan två begrepp

IMY beskriver pseudonymisering som att ersätta uppgifter med exempelvis koder, där kompletterande information behövs för att knyta uppgifterna till en person. Myndigheten betonar att pseudonymisering inte är samma sak som anonymisering. Bedömningen av om information verkligen är anonym behöver ta hänsyn till möjligheten att identifiera någon.

I ett arbetsflöde med lokala ersättningsvärden behöver både den bearbetade texten och den lokala kopplingen till originalen hanteras med omsorg. Lova inte att GDPR slutar gälla enbart för att ett verktyg har bytt ut namn.

Tre saker att granska i ditt eget exempel

• Direkta identifierare: namn, kontaktuppgifter, personnummer och kontonummer.
• Indirekta identifierare: ovanliga roller, exakta datum, orter och kombinationer av händelser.
• Övrig konfidentialitet: affärsvillkor, strategier eller ärendeuppgifter som inte behöver vara personuppgifter för att vara skyddsvärda.

Behåll tillräckligt för uppgiften

Ett praktiskt test är att jämföra två versioner av samma fiktiva underlag. Ta först bort bara direkta identifierare. Generalisera sedan sådant som datum eller befattningar när uppgiften tillåter det. Bedöm både risken för identifiering och om modellen fortfarande kan ge ett användbart svar.

Spara testets förväntade fynd innan du kör verktyget. Då blir det lättare att upptäcka en miss än om du bara bedömer om resultatet ser rimligt ut. Låt gärna en annan person försöka hitta identifierande ledtrådar i den bearbetade texten.

Så beskriver vi SanitizeGPT

SanitizeGPT är ett stöd för lokal detektion, granskning och bearbetning inför eventuell AI-användning. Det är inte en garanti för anonymitet. Den lokala modellen föreslår fynd; användaren måste granska både dokument och fråga. Även information som inte hittas automatiskt kan behöva tas bort.

Windows-betan arbetar med textbaserade PDF-filer och använder Ollama för lokal Qwen-detektion. Molnchatt är valfri och har en separat informationsgräns. Webbplatsen tar inte emot dokument för bearbetning. Vill du utvärdera flödet, börja med ett helt påhittat exempel där du själv känner till alla identifierare.