PII-Erkennung: Welche persönlichen Daten stecken im Text?

PII steht für Personally Identifiable Information. Im Datenschutzkontext geht es um Angaben, die allein oder in Kombination auf eine natürliche Person verweisen. Neben Klarnamen und Kontaktdaten können Kundennummern, persönliche URLs oder ein genaues Geburtsdatum relevant sein. Nicht jede Nummer und nicht jedes Datum hat automatisch Personenbezug.

Persona unterscheidet neun Erkennungskategorien. Zugangsdaten wie API-Schlüssel gehören ebenfalls zum Schutzbedarf, auch wenn ein einzelnes technisches Geheimnis nicht zwingend personenbezogen ist. Die Kategorie beschreibt, was erkannt wurde; sie ersetzt keine Entscheidung darüber, ob und warum Sie diese Daten verarbeiten dürfen.

Reguläre Ausdrücke passen zu bekannten Formaten wie E-Mail-Adressen oder IBANs. Sie sind nachvollziehbar und lokal ausführbar, übersehen aber Namen ohne typische Einleitung. Named Entity Recognition markiert Entitäten wie Personen oder Orte. Dabei ist ein Ortsname nicht automatisch eine private Adresse und ein Organisationsname nicht automatisch personenbezogen.

Ein spezialisiertes Sprachmodell bezieht den Satzkontext ein. Auch dieses kann Angaben übersehen oder harmlose Wörter markieren. Für den praktischen Einsatz lohnt sich eine Kombination aus passenden Regeln, modellbasierter Erkennung und Prüfung. Das kostenlose Persona-Text-Tool verwendet Browser-Regeln; die API verwendet ein trainiertes Modell. Das sind unterschiedliche Verfahren mit unterschiedlichen Ergebnissen.

Erstellen Sie einen Testbestand mit fiktiven oder rechtmäßig verwendeten Beispielen aus Ihren tatsächlichen Dokumenttypen. Markieren Sie die erwarteten Fundstellen einschließlich Anfang und Ende. Prüfen Sie sowohl übersehene Daten als auch falsche Treffer: Eine übersehene Telefonnummer betrifft den Schutz, ein falsch markierter Produktname kann die Antwort unbrauchbar machen.

Bewerten Sie die Kategorien getrennt. Eine gute Gesamtquote kann schwache Namenerkennung verdecken. Nehmen Sie ungewöhnliche Schreibweisen, lange Texte, Umlaute, Copy-and-paste-Artefakte und mehrere Personen in einem Satz auf. Ohne einen solchen Testbestand lässt sich aus einer einzelnen gelungenen Demo keine belastbare Aussage über Ihre Pipeline ableiten.

1. Repräsentative Texte auswählen und Soll-Treffer markieren.
2. Precision für falsche Treffer und Recall für übersehene Angaben getrennt betrachten.
3. Grenzen der Spans prüfen: Ist der gesamte Name erfasst, ohne angrenzende Wörter?
4. Nach Änderungen am Modell oder an Regeln denselben Bestand erneut prüfen.

Der Endpunkt /v1/pseudonymize liefert masked, spans, mapping und sensitivity. Die Spans erlauben eine Prüfung der erkannten Textstellen; masked ist der Text mit Platzhaltern. Senden Sie an das nachgelagerte LLM nur den dafür vorgesehenen Text. Die Zuordnung enthält Originalwerte und gehört nicht in denselben Prompt.

Prüfen Sie außerdem Anhänge, Systemprompts und zusätzliche Kontextfelder. Ein geschütztes Nachrichtenfeld hilft wenig, wenn die unveränderte Signatur in einem zweiten Feld mitgeschickt wird. Für hohe Risiken können Sie einen menschlichen Freigabeschritt vorsehen. Der Sensitivitätswert ist eine technische Ausgabe und keine datenschutzrechtliche Freigabe.

Die technische Beschreibung bezieht sich auf die Persona-Werkzeuge und ihre dokumentierten Grenzen. Prüfen Sie Erkennung und Export vor der Verwendung mit Ihren eigenen Dokumenttypen.

• DSGVO im amtlichen Volltext: Begriffe, Datenminimierung und Sicherheitsmaßnahmen, insbesondere Art. 4, 5, 25 und 32.
• Persona-API-Dokumentation: Endpunkte, Authentifizierung und Antwortfelder.
• Pseudonymisierung und Anonymisierung unterscheiden: Einordnung von Platzhaltern und Zuordnung.