Bei anymize arbeiten wir an:

• Kontextbewusster Anonymisierung, die über Pattern-Matching hinausgeht

• Spezialisierten Modellen für deutschsprachige Dokumente mit ihren morphologischen Besonderheiten

• Bidirektionaler Verarbeitung für LLM-Integration (Input anonymisieren, Output de-anonymisieren)

• Branchenspezifischer Erkennung für medizinische, juristische und finanzielle Dokumente

• Einem System, das die größte Arbeit abnimmt, aber die Endkontrolle beim Nutzer belässt

• Tools, die es ermöglichen, moderne LLMs verantwortungsvoll mit sensiblen Daten zu nutzen

Eine Liste konkreter technischer Probleme, an deren Lösung wir arbeiten:

Pattern-Matching erreicht seine Grenzen bei 75%.

Regex-basierte Systeme schaffen 60-75% Erkennungsrate. Das klingt erst mal gut, bedeutet aber: Jedes vierte sensible Element wird übersehen. "Max Müller" vs. "Müller Milch" – der Kontext entscheidet. Telefonnummern tauchen in dutzenden Formaten auf: +49 (0)30 1234-5678, 030/12345678, oder verteilt über mehrere Zeilen. Die Forschung zeigt: 87% der Deutschen sind durch nur drei scheinbar harmlose Attribute identifizierbar (PLZ + Geburtsdatum + Geschlecht). Wir arbeiten daran, mit spezialisierten Language Models die 95%-Marke zu erreichen. Die verbleibenden 5% sind die schwierigsten – und genau deshalb braucht es immer menschliche Überprüfung.

Kontext verstehen ohne Bedeutung zu zerstören.

"Überweisung von Herrn Schmidt in Höhe von 5000€" – Name plus Betrag müssen beide erkannt werden. Bei "Angela Merkel wurde in Hamburg geboren" müssen Person-Ort-Beziehungen erhalten bleiben, sonst wird der Text für Analysen unbrauchbar. Jeder Anonymisierungszyklus degradiert die semantische Integrität. Nach drei Durchläufen können wichtige Zusammenhänge verloren sein. Wir experimentieren mit verschiedenen Ansätzen zur Bewahrung semantischer Kohärenz, aber der perfekte Balanceakt zwischen Datenschutz und Datennutzen bleibt eine offene Forschungsfrage.

Deutsche Sprache als besondere Herausforderung.

"Datenschutzgrundverordnung" – ein Wort. "Hamburger Hafen" – enthält einen Ort. Deutsche Komposita können PII in einzelnen Morphemen verstecken. Die Großschreibung aller Substantive eliminiert ein wichtiges Signal für Eigennamen. "Die Türkei" (Land) vs. "der Truthahn" (Tier) – beide großgeschrieben. Unsere Beobachtung: Morphologisch komplexe Entitäten werden 8x häufiger übersehen als einfache. Standard NER-Modelle, die auf Englisch trainiert wurden, versagen hier systematisch. Wir bauen deutsche Sprachmodelle auf, aber die Datenlage für Training ist dünn.

Bidirektionale Anonymisierung ist mehr als Suchen-Ersetzen.

Dokument rein → anonymisieren → an LLM → Antwort zurück → de-anonymisieren. Klingt einfach, ist es nicht. LLMs paraphrasieren: "Herr Schmidt" wird zu "der erwähnte Kunde". Coreference-Chains müssen getrackt werden: "Angela Merkel" → "sie" → "die Kanzlerin" → "Merkel". Ein falsches Mapping und plötzlich stimmen die Zuordnungen nicht mehr. Wir testen verschiedene Fuzzy-Matching-Algorithmen und State-Management-Ansätze. Perfektion ist hier unmöglich – deshalb ist die finale Überprüfung durch den Nutzer essentiell.

Medizinische Dokumente: Wo jeder Fehler kritisch ist.

ICD-10-Codes sind für sich harmlos, aber "Patient Max Müller mit Morbus Fabry" macht die Person identifizierbar (Prävalenz: 1:40.000). Deutsche Spezifika: Kassenzulassungsnummern, BSNR, LANR – jedes System mit eigenen Formaten. Negationserkennung kann über Leben und Tod entscheiden: "keine Anzeichen von Krebs" vs. "Anzeichen von Krebs". Namen und Diagnosen müssen zuverlässig erkannt werden, während medizinische Zusammenhänge erhalten bleiben. Wir lernen ständig dazu, aber medizinische Fachsprache entwickelt sich schneller als unsere Modelle.

Juristische Texte und das Privileg-Problem.

Aktenzeichen mit Klarnamen, anwaltliche Registernummern, Client-Matter-Numbers – alles potentielle Identifier. Attorney-Client-Privilege verkompliziert alles: Was vertraulich bleiben muss, darf nicht mal anonymisiert in externe Systeme. Mandantennamen in Verträgen müssen erkannt werden, während die rechtliche Struktur erhalten bleibt. "Herr Schmidt schuldet 100.000€" → "[PERSON] schuldet [BETRAG]" kann noch funktionieren, aber komplexere Konstrukte brechen schnell. Wir entwickeln Lösungen, aber jede Kanzlei hat andere Anforderungen. Die Verantwortung für die korrekte Handhabung privilegierter Informationen kann keine Software übernehmen.

Geschwindigkeit vs. Genauigkeit.

Nutzer erwarten Echtzeit-Antworten. Jede Millisekunde zählt. Transformer-Modelle sind präzise aber langsam. Wir experimentieren mit Hybrid-Architekturen: Schnelle Regex für offensichtliche Muster wie E-Mail-Adressen (<1ms), spezialisierte kleine Modelle für Namen im Kontext (50ms), Confidence-basiertes Routing. KV-Caching hilft, aber der Memory-Footprint explodiert. Der Trade-off bleibt: Entweder schnell oder genau. Wir optimieren für "genau genug, schnell genug" – aber "genug" definiert jeder Anwendungsfall anders.

Der Preis von Fehlern.

Eine übersehene E-Mail-Adresse oder ein nicht erkannter Name: bis zu 20 Millionen Euro DSGVO-Strafe. Ein fälschlich anonymisiertes Wort: leichte Irritation. Deshalb optimieren wir auf hohen Recall (wenig False Negatives) statt hohe Precision. Aber zu viele False Positives machen Texte unlesbar. Wir jonglieren mit entity-spezifischen Thresholds, aber die perfekte Balance gibt es nicht. Deshalb unser Ansatz: Wir nehmen die Hauptarbeit ab, die Feinabstimmung und finale Freigabe liegt beim Nutzer. Software kann unterstützen, nicht ersetzen.

Die Identifier-Explosion.

IBAN, BIC, LEI, Steuer-IDs, Personalausweisnummern, Crypto-Wallets, Zoom-IDs – die Liste wächst ständig. Vor 5 Jahren gab es keine Teams-Meeting-Links. Morgen gibt es vielleicht Quanten-Krypto-IDs. Jeder Typ hat eigene Patterns, manche überlappen. Eine IBAN kann Ziffernfolgen enthalten, die wie Telefonnummern aussehen. Wir bauen modulare Erkennungssysteme, aber wir werden immer hinterherlaufen. Neue Identifier entstehen schneller als wir sie integrieren können.

Quasi-Identifier: Die versteckte Gefahr.

Ein Geburtsjahr allein? Harmlos. Ein Beruf? Unkritisch. Eine Postleitzahl? Belanglos. Aber "52-jähriger Zahnarzt aus 80331 München" – plötzlich sind nur noch 3-5 Personen möglich. Die Kombinationen sind endlos: Seltene Krankheit + Stadt, Jobtitel + Abteilung, Auto-Kennzeichen + Arbeitsplatz. Wir entwickeln Systeme zur Quasi-Identifier-Erkennung, aber die möglichen Kombinationen sind praktisch unendlich. Jeder neue Datenpunkt kann harmlose Information in PII verwandeln.

Skalierung ohne Kontextverlust.

Ein Krankenhaus: 10 Millionen Patientenakten. Eine Kanzlei: 50 Millionen Seiten Discovery. Batch-Processing ist effizient aber träge. Stream-Processing ist reaktiv aber ressourcenhungrig. Cross-Document-Entity-Resolution wird zum Bottleneck – ist der "Dr. Müller" auf Seite 1 derselbe wie auf Seite 10.000? Wir testen verschiedene Architekturen, aber jede hat Trade-offs. Horizontale Skalierung braucht State-Synchronisation, vertikale stößt an Hardware-Grenzen.

Regulatorische Evolution.

Was heute DSGVO-konform ist, kann morgen problematisch sein. Die BfDI passt Guidelines an. Der EuGH entscheidet neu über Quasi-Identifier. Jedes Bundesland interpretiert anders. Wir müssen Modelle kontinuierlich anpassen, aber jedes Update kann neue Fehler einführen. A/B-Testing mit sensiblen Daten ist ethisch und rechtlich komplex. Wir bauen Systeme für kontinuierliches Lernen, aber die Verantwortung für Compliance können wir niemandem abnehmen.

—-

Während wir an diesen Herausforderungen arbeiten, wird eines klar: Perfekte Anonymisierung ist eine Illusion. Was wir bauen können, sind Tools, die den Großteil der Arbeit abnehmen, die offensichtlichen Risiken eliminieren, die häufigsten Fehler vermeiden.

Der Rest – die Edge Cases, die neuen Identifier, die subtilen Quasi-Identifier-Kombinationen – braucht menschliche Intelligenz und Verantwortung.

Unser Ziel ist nicht, Menschen zu ersetzen. Es ist, ihnen zu ermöglichen, moderne KI-Tools zu nutzen, ohne ihre Compliance komplett zu riskieren. Die allergrößte Arbeit nehmen wir ab. Die Endverantwortung bleibt, wo sie hingehört: beim Menschen.

Wenn dich diese Balance zwischen Ambition und Realismus reizt, melde dich: team@anymize.ai