Tam, gdzie to możliwe, warto usunąć z danych informacje pozwalające zidentyfikować konkretną osobę, zanim trafią one do narzędzia AI — ogranicza to ryzyko związane z ich przetwarzaniem.

Na czym polega ta usługa

Usługa obejmuje wskazanie, w których procesach firmy da się zastosować anonimizację danych przed ich przekazaniem do narzędzia AI, oraz pomoc w wypracowaniu praktycznego sposobu jej stosowania.

Dla kogo ma sens

Usługa jest przydatna dla firm przetwarzających w narzędziach AI dane zawierające informacje pozwalające zidentyfikować konkretne osoby.

Ile to trwa

Wdrożenie anonimizacji danych mieści się z reguły w standardowym czasie do 3 dni.

Warunki

Diagnoza wstępna i wycena są bezpłatne. Dojazd na terenie Warszawy i okolic jest bezpłatny, a usługa objęta jest gwarancją do 12 miesięcy.

Różnica między anonimizacją a pseudonimizacją w kontekście AI

W praktyce przetwarzania informacji przez modele językowe kluczowe jest precyzyjne rozróżnienie dwóch pojęć: anonimizacji oraz pseudonimizacji. Anonimizacja jest procesem nieodwracalnym, w wyniku którego dane osobowe zostają trwale przekształcone w taki sposób, że ani administrator danych, ani podmiot trzeci nie jest w stanie zidentyfikować osoby, której te informacje dotyczyły. Z punktu widzenia przepisów RODO (Rozporządzenie o Ochronie Danych Osobowych, akt prawny regulujący przetwarzanie danych w Unii Europejskiej), w pełni zanonimizowane informacje przestają być danymi osobowymi, co zdejmuje z przedsiębiorstwa szereg rygorystycznych ograniczeń formalnych.

Pseudonimizacja (zastąpienie danych identyfikacyjnych losowym ciągiem znaków lub kodem referencyjnym) zachowuje możliwość powrotu do danych pierwotnych za pomocą bezpiecznie przechowywanego klucza mapującego. W kontekście narzędzi AI (sztuczna inteligencja, technologie naśladujące ludzkie procesy myślowe) pseudonimizacja pozwala wysłać do modelu prompt (zapytanie tekstowe wprowadzane przez użytkownika) ze sztucznymi identyfikatorami, a po otrzymaniu odpowiedzi zamienić je lokalnie z powrotem na oryginalne dane. Dobór właściwej metody zależy od tego, czy model zewnętrzny musi jedynie przetworzyć logiczną strukturę dokumentu, czy też w firmie budowana jest trwała baza wiedzy, z której dane personalne powinny zostać usunięte bezpowrotnie.

Metody techniczne stosowane do ochrony informacji

Wdrożenie bezpiecznego obiegu zapytań do modeli LLM (duże modele językowe, algorytmy wyszkolone na ogromnych zbiorach tekstu do generowania odpowiedzi) wymaga zastosowania sprawdzonych technik inżynierii danych:

Maskowanie tekstu i etykietowanie encji — technika polegająca na wykrywaniu danych PII (dane umożliwiające bezpośrednią identyfikację tożsamości, takie jak imiona, nazwiska, numery PESEL, adresy e-mail) i zastępowaniu ich neutralnymi znacznikami, na przykład [KLIENT_A] lub [KWOTA_1]. Pozwala to zachować spójność gramatyczną i logiczną zdania bez ujawniania tożsamości.
Tokenizacja z lokalną tablicą referencyjną — zamiana wrażliwych ciągów znaków na losowe tokeny (unikalne identyfikatory alfanumeryczne), które po zakończeniu generowania odpowiedzi przez AI są podmieniane na stacji roboczej lub serwerze lokalnym na właściwe wartości.
Generalizacja i agregacja danych — zastępowanie dokładnych wartości przedziałami liczbowymi lub ogólniejszymi kategoriami (na przykład zmiana dokładnego wieku 47 lat na przedział 40-50 lat, lub zamiana dokładnego adresu na nazwę województwa). Wykorzystuje się tu zasadę k-anonimowości (standard statystyczny zapewniający, że każdy rekord w zbiorze jest nie do odróżnienia od co najmniej k minus jeden innych rekordów).
Usuwanie quasi-identyfikatorów — eliminowanie cech pośrednich (takich jak unikalne stanowisko służbowe w powiązaniu z małą miejscowością i działem firmy), które same w sobie nie są imieniem i nazwiskiem, ale w zestawieniu pozwalają bezbłędnie wskazać konkretną osobę.
Generowanie danych syntetycznych — tworzenie sztucznych zbiorów danych (zbiory wygenerowane algorytmicznie), które zachowują wszystkie właściwości statystyczne, korelacje i formaty danych oryginalnych, ale nie zawierają ani jednego rekordu pochodzącego od rzeczywistego człowieka. Metoda ta sprawdza się przy testowaniu integracji programistycznych.

Zabezpieczanie danych z systemów ERP, księgowych i biurowych

W wielu przedsiębiorstwach zapytania do sztucznej inteligencji tworzone są na podstawie zestawień generowanych z oprogramowania ERP (zintegrowany system do zarządzania zasobami przedsiębiorstwa). Bezpośrednie kopiowanie raportów finansowych, list płac czy kartotek kontrahentów wiąże się z ryzykiem ujawnienia tajemnicy przedsiębiorstwa oraz danych wrażliwych. Konfigurujemy procesy pośredniczące w bezpiecznym eksporcie danych z popularnych środowisk biznesowych:

Oprogramowanie InsERT (Subiekt GT, Subiekt nexo, Rewizor, Rachmistrz, Gratyfikant) — przygotowanie filtrów eksportu wyciągów handlowych i kartotek magazynowych, które przed wysłaniem do analizy AI oczyszczają tabele z numerów NIP, numerów rachunków bankowych IBAN oraz nazwisk przedstawicieli handlowych.
Systemy Comarch ERP (Optima, XL) oraz WAPRO ERP (Mag, Fakturka, Fakir) — automatyzacja zapytań SQL (język zapytań do relacyjnych baz danych), która anonimizuje zestawienia sprzedaży i rozrachunków przed ich przekazaniem do modułów analitycznych.
Środowiska Sage Symfonia, RAKS oraz program Płatnik — tworzenie procedur ekstrakcji danych kadrowo-płacowych pozbawionych numerów PESEL, adresów zamieszkania i informacji o stanie zdrowia pracowników, co pozwala na bezpieczną analizę trendów kosztowych.
Microsoft 365 i arkusze kalkulacyjne — wdrożenie reguł i makr oczyszczających pliki Excel oraz dokumenty tekstowe przed ich przetworzeniem w chmurowych modelach sztucznej inteligencji.
Bazy wektorowe i architektura RAG — zabezpieczanie repozytoriów wiedzy dla systemów RAG (architektura generowania odpowiedzi w oparciu o własne dokumenty firmy, z angielskiego Retrieval-Augmented Generation), gdzie dokumenty wewnętrzne są anonimizowane na etapie indeksowania, zanim trafią do bazy wektorowej (baza danych przechowująca znaczenie tekstu w postaci wektorów liczbowych).

Błędy popełniane przy samodzielnych próbach anonimizacji

Próby ręcznego lub pobieżnego usuwania danych przed wysłaniem zapytań do modeli AI często prowadzą do pozornego poczucia bezpieczeństwa. W praktyce audytowej spotykamy szereg powtarzających się błędów:

Poleganie wyłącznie na prostym wyszukiwaniu i zamianie słów — ręczne usuwanie nazwisk przez funkcję wyszukiwania w edytorze tekstu często pomija odmiany gramatyczne, literówki w danych źródłowych lub wystąpienia w treści nagłówków i stopek dokumentów.
Wklejanie logów serwerowych i zrzutów błędów — pracownicy działów IT przesyłają do modeli AI komunikaty diagnostyczne z serwerów, w których znajdują się adresy IP, tokeny uwierzytelniające, klucze API (interfejs programowania aplikacji) oraz ścieżki dostępowe zawierające nazwy użytkowników systemowych.
Pozostawianie quasi-identyfikatorów w tekście — usunięcie nazwiska prezesa przy jednoczesnym pozostawieniu wzmianki o unikalnym tytule zawodowym, nazwie niszowego projektu i dacie założenia spółki pozwala modelowi językowemu na bezbłędne odtworzenie tożsamości osoby na podstawie wiedzy ogólnej.
Przetwarzanie dokumentów zeskanowanych bez weryfikacji warstwy OCR — przesyłanie skanów po zamazaniu tekstu czarnym prostokątem w prostym edytorze graficznym, podczas gdy pod spodem w pliku PDF pozostaje ukryta, edytowalna warstwa tekstowa generowana przez moduł OCR (optyczne rozpoznawanie znaków).
Korzystanie z publicznych narzędzi bez wyłączenia trenowania modeli — brak weryfikacji ustawień prywatności w interfejsie AI, co powoduje, że wprowadzane dane mogą zostać wykorzystane przez dostawcę usługi do ponownego uczenia modeli publicznych.

Kiedy pełna anonimizacja nie jest właściwym rozwiązaniem

W niektórych scenariuszach biznesowych całkowite usunięcie danych osobowych lub identyfikatorów uniemożliwia realizację zamierzonego celu biznesowego. Warto wiedzieć, kiedy należy zastosować podejścia alternatywne:

Jeżeli zadaniem modelu AI jest redagowanie spersonalizowanej korespondencji prawnej, windykacyjnej lub umów handlowych, gdzie relacje między konkretnymi podmiotami i datami mają kluczowe znaczenie, lepszym rozwiązaniem od trwałej anonimizacji jest dwukierunkowa pseudonimizacja. W tym wariancie system pośredniczący podmienia dane wrażliwe na identyfikatory zastępcze, a po wygenerowaniu treści przez model automatycznie wstawia właściwe dane odbiorcy na lokalnym komputerze.

W sytuacjach, w których przetwarzane są szczególnie chronione dane finansowe, medyczne lub tajemnice przedsiębiorstwa o najwyższym rygorze, optymalnym podejściem bywa rezygnacja z zewnętrznych usług chmurowych na rzecz wdrożenia lokalnego modelu językowego w infrastrukturze on-premise (uruchomienie oprogramowania na własnym serwerze w siedzibie firmy). Taki model działa w odizolowanej sieci lokalnej, co eliminuje konieczność przesyłania jakichkolwiek informacji poza infrastrukturę przedsiębiorstwa.

Przebieg wdrożenia procedur ochrony danych przed przetwarzaniem w AI

Proces przygotowania firmy do bezpiecznego korzystania z narzędzi sztucznej inteligencji przebiega etapowo, bez zakłócania bieżącej pracy biura:

Wstępna analiza i inwentaryzacja strumieni danych — bezpłatna identyfikacja miejsc w firmie, w których pracownicy wprowadzają dane do zewnętrznych narzędzi AI, oraz określenie kategorii przetwarzanych informacji (dane klientów, pracowników, dokumenty księgowe, kod źródłowy).
Podpisanie umowy o zachowaniu poufności — na życzenie klienta bezpłatnie zawierana jest umowa NDA (umowa o zachowaniu poufności, z angielskiego Non-Disclosure Agreement), gwarantująca pełne bezpieczeństwo informacji audytowanych w przedsiębiorstwie.
Opracowanie wzorców i reguł maskowania — przygotowanie reguł opartych o wyrażenia regularne regex (wzorce tekstowe do automatycznego wykrywania ciągów znaków o określonej strukturze) oraz algorytmy rozpoznawania nazw własnych dostosowane do specyfiki branży klienta.
Konfiguracja narzędzi pośredniczących — wdrożenie wtyczek przeglądarkowych, skryptów lokalnych lub bramek sieciowych typu proxy (serwer pośredniczący w przekazywaniu zapytań), które automatycznie wychwytują i oczyszczają prompty przed ich opuszczeniem sieci firmowej.
Praktyczne testy i instrukcje stanowiskowe — weryfikacja poprawności generowanych odpowiedzi po anonimizacji oraz przygotowanie zwięzłych wytycznych dla pracowników korzystających ze sztucznej inteligencji w codziennej pracy.

Dodatkowe pytania dotyczące anonimizacji danych dla AI

Czy po zanonimizowaniu danych model AI zachowuje wysoką jakość odpowiedzi?

Tak. Nowoczesne duże modele językowe operują na relacjach logicznych, strukturze gramatycznej i kontekście wypowiedzi. Zastąpienie konkretnego nazwiska etykietą [KLIENT_1] czy nazwy miejscowości znacznikiem [MIASTO_A] nie wpływa negatywnie na zdolność modelu do streszczania tekstu, wyszukiwania błędów logicznych, klasyfikacji zgłoszeń czy tworzenia projektów pism.

Czym różni się anonimizacja lokalna od filtrowania po stronie dostawcy chmury?

Anonimizacja lokalna odbywa się na stacji roboczej lub serwerze w firmie przed wysłaniem pakietu danych przez Internet. W przypadku filtrów po stronie dostawcy chmury, surowe dane osobowe najpierw trafiają na zagraniczne serwery zewnętrzne, co w świetle przepisów o ochronie danych stanowi powierzenie przetwarzania i wiąże się z ryzykiem przechwycenia informacji w transmisji lub ich zapisu w logach dostawcy.

Jak zabezpieczyć dane eksportowane z systemów ERP takich jak Subiekt czy Comarch Optima?

Stosuje się dedykowane widoki SQL lub skrypty filtrujące, które podczas eksportu tabel do formatu CSV lub arkusza kalkulacyjnego automatycznie usuwają kolumny zawierające numery NIP, PESEL, adresy zamieszkania oraz numery kont, pozostawiając jedynie zanonimizowane identyfikatory transakcji niezbędne do przeprowadzenia analizy ilościowej lub asortymentowej.

Czy wdrożenie filtrów wymaga podawania haseł administratora systemów firmowych?

Standardowo nie ma konieczności udostępniania haseł użytkowników ani haseł administracyjnych. Konfiguracja procedur i skryptów maskujących może zostać przeprowadzona na wyodrębnionym środowisku testowym lub w obecności wyznaczonego pracownika firmy, który samodzielnie wprowadza niezbędne uprawnienia w systemie operacyjnym Windows lub Linux.

Jakie urządzenia i systemy są objęte wsparciem w ramach wdrożenia?

Obsługujemy środowiska stacji roboczych, laptopów, komputerów stacjonarnych, komputerów All-in-One oraz serwerów pracujących pod kontrolą systemów z rodziny Microsoft Windows oraz dystrybucji Linux. Usługa obejmuje bezpośredni dojazd serwisanta do siedziby firmy lub biura domowego na terenie Warszawy oraz okolicznych powiatów.

Bezpieczne wdrożenie sztucznej inteligencji w środowisku biurowym

Prawidłowo przygotowane procedury anonimizacji pozwalają w pełni wykorzystać potencjał analityczny i asystencki narzędzi sztucznej inteligencji bez obaw o naruszenie tajemnicy handlowej, utratę poufności bazy kontrahentów czy sankcje wynikające z przepisów o ochronie danych osobowych. Zapewniamy bezpłatny dojazd specjalisty na terenie całej Warszawy (w tym dzielnic Mokotów, Wola, Śródmieście, Praga, Ursynów, Bielany, Bemowo, Targówek, Ochota, Wawer, Białołęka) oraz okolicznych miejscowości w promieniu do 40 km (powiaty pruszkowski, piaseczyński, legionowski, warszawski zachodni, wołomiński, otwocki i grodziski). W przypadku konieczności przeprowadzenia prac modernizacyjnych na sprzęcie komputerowym zapewniamy bezwarunkowo bezpłatny laptop zastępczy z systemem Windows na cały czas trwania procedury, a wykonane prace objęte są gwarancją do 12 miesięcy.

22 378 48 09

Anonimizacja danych przed przetwarzaniem przez AI