Чувствительные данные
и нейросети

Модель запускается на вашем компьютере или закрытом сервере, и исходные документы вообще не попадают во внешний сервис.

Что можно делать

Разбирать документы по категориям, вытаскивать темы, искать закономерности, делать выжимки: всё на своей машине, наружу ничего не уходит

Чем запускать

Ollama или LM Studio, обе ставятся как обычное приложение. Модели берутся открытые: Qwen, Gemma, Llama, DeepSeek

Что нужно от железа

Ориентир по памяти: модель на 14 миллиардов параметров в сжатом виде занимает около 8 ГБ, на 32 миллиарда около 19 ГБ. Маки на Apple Silicon удобны тем, что делят память между процессором и видеоядром

Минусы

Локальные модели ощутимо слабее больших облачных вроде Claude и GPT, качество нужно проверять именно на своих данных, а не по бенчмаркам

Скрипт проходит по тексту, находит имена, телефоны, почты, номера документов, счетов и карт и заменяет их на метки вроде [клиент_01] и [договор_07]. Наружу уходит уже размеченный текст.

Чем делать

Presidio: открытый фреймворк, работает в два шага. Сначала анализатор находит персональные сущности, потом анонимайзер применяет к ним операцию: удалить, заменить, захешировать или зашифровать

Кто его развивает

Проект начинал Microsoft, сейчас он передан независимому сообществу Data Privacy Stack, лицензия MIT прежняя

Главный плюс

Один раз настроили и повторяете на любом объёме документов. Метки сохраняют связи: один и тот же клиент остаётся одним и тем же [клиент_01], и закономерности не ломаются

Минусы

Решение техническое, нужен человек, который его соберёт. И детектор не идеален: редкие форматы и опечатки он пропускает, поэтому качество надо замерять на своей выборке

Готовый сервис-прослойка между вашей базой и нейросетью: сначала находит и закрывает персональные данные, потом отдаёт очищенный текст модели.

Что есть на рынке

Sensitive Data Protection у Google, бывший Cloud DLP: сотни встроенных типов данных и разные способы обработки, от вымарывания до шифрования с сохранением формата. У Microsoft похожую роль играет Purview

Кому подходит

Тем, кто уже живёт в соответствующем облаке: сервис встраивается в существующие хранилища и работает на потоке

Нюанс, который меняет всё

Исходный текст всё равно сначала уходит облачному провайдеру, иначе он не смог бы его почистить. Это не вариант «данные никуда не уходят», а вариант «данные уходят одному сервису вместо двух»

Самый недооценённый способ, потому что он не про технологии, а про постановку задачи. Считаете показатели у себя, а модели отдаёте только их.

Как это выглядит

Средний чек, медиана по регионам, доля возвратов, динамика по месяцам, распределение обращений по категориям. Модель прекрасно рассуждает о трендах и аномалиях, не видя ни одной строки исходника

Почему работает

Чем меньше исходных данных получает нейросеть, тем меньше ущерб от любой утечки. Данных, которых вы не отправили, не может быть в чужом логе

Где осторожнее

Показатель по слишком маленькой группе перестаёт защищать: «средний доход трёх сотрудников отдела» это почти что их зарплаты. Держите разумный минимальный размер группы

Корпоративный вариант: модель на своих серверах, частное облако или коммерческий тариф с zero data retention, где запросы и ответы не хранятся после обработки.

Как получить

У Anthropic это не переключатель в настройках, а отдельное соглашение, которое оформляется на организацию через отдел продаж

Что реально даёт

Снимает риск долгого хранения и попадания в обучение. Для многих компаний этого достаточно, чтобы юристы согласовали работу с ИИ

Чего не даёт

Нулевое хранение это не анонимизация. Персональные данные всё равно присутствуют в запросе в момент обработки, просто живут недолго. Если задача требует именно обезличивания, этот способ её не закрывает