Tuottavuus kohtaa hallinnan.

SOWA Privacy toimii asiakaspuolen tietoturvakerroksena selaimen laajennuksen muodossa. Ei omia palvelimia, ei pilvikomponentteja.

  • Paikallinen reaaliaikainen analyysi

    Tekstit analysoidaan ennen kuin ne edes poistuvat käyttäjän selaimesta.

  • Automaattinen anonymisointi

    Nimien, IBAN-tilinumeroiden, terveystietojen jne. tunnistus ja korvaus neutraaleilla paikkamerkeillä.

  • Tarjoajariippumaton

    Toimii ChatGPT:n, Clauden, Geminin ja muiden kanssa ilman kohdepalveluiden API-muutoksia.

  • Saumaton de-anonymisointi

    Anonymisoidut arvot palautetaan alkuperäisiksi tekoälyn vastatessa. Saat normaalit tulokset ilman että henkilötiedot tavoittavat ulkomaiset chatbot-palvelimet.

Miten tunnistus toimii

Kolme kerrosta, kaikki suoritettuna paikallisesti selaimessasi. Yhdenkään niistä ei tarvitse lähettää tekstiäsi palvelimelle ennen kuin se päättää, sisältääkö teksti henkilötietoja.

Kerros 1 – Regex

Kuvionhaku

Aina päällä. Nopein. Ei mallia tarvita.

  • Valmiit kuviopaketit sähköpostiosoitteille, puhelinnumeroille (myös saksalaiset matkapuhelinnumerot), IBAN, BIC/SWIFT, PESEL, NIP, luottokorttinumerot, ajokortti, passi, syntymäajat, IP-osoitteet, API-avaimet, salasanat, tunnukset.
  • Suoritetaan jokaisen näppäinpainalluksen yhteydessä. Ei verkkoyhteyttä, ei mallin latausta – pelkkä paikallinen merkkijonohaku.
  • Käyttäjän laajennettavissa: lisää mukautettuja sääntöjä asetuksissa nelikenttäisellä muodolla (KIND | REGEX | FLAGS | PRIORITY).
Kerros 2 – NER

Nimettyjen entiteettien tunnistus

Monikielinen. Paikallinen malli. Valinnainen.

  • Tunnistaa sen, mitä regex ei pysty: henkilöiden nimet, organisaatiot, sijainnit – kaiken, mikä riippuu kontekstista eikä kuviosta.
  • Monikielinen DistilBERT-malli (~65 MB) Transformers.js + ONNX -yhdistelmällä. Ladataan kerran HuggingFacesta, jonka jälkeen toimii ikuisesti offline-tilassa.
  • Suoritetaan eriytetyssä offscreen-dokumentissa, joten chat-sivu ei näe sitä eikä pysty kutsumaan sitä.
  • Konfiguroitava luottamuskynnys (oletus 0,7) ja prioriteettipaino.
  • Oletuksena POIS. 65 MB:n lataus alkaa vasta kun käyttäjä ottaa sen käyttöön asetuksissa.
Kerros 3 – Paikallinen LLM

Tehotila

Reunatapaukset. Paikallinen GPU. Valinnainen.

  • Tunnistaa kontekstuaaliset reunatapaukset, jotka kaksi ensimmäistä kerrosta jättävät huomaamatta – monitulkintaiset entiteetit, parafrasoidut tunnisteet, arkaluonteiset yksityiskohdat, jotka käyvät ilmi vasta lausekontekstista.
  • WebLLM-ajoympäristö käyttäjän GPU:lla. Vaihtoehtoina Phi-3, Gemma 2B tai SmolLM2 (kukin ~200 MB).
  • 2–4 GB RAM-käyttö aktiivisena. Hitaampi kuin kaksi ensimmäistä kerrosta – käytetään tarkistuksena, ei ensisijaisena skannerina.
  • Oletuksena POIS. Mallin lataus alkaa vasta kun käyttäjä ottaa sen käyttöön.

Kolmen kerroksen tunnistustulokset yhdistetään ja järjestetään prioriteetin mukaan. Kaikkien kolmen kerroksen lisäksi käyttäjän hallitsema Musta lista (prioriteetti 100, aina voittaa) ja Valkoinen lista antavat yksilöille tai IT-järjestelmänvalvojille mahdollisuuden muokata tunnistusta työnkulkuaan varten – lisätä yrityskohtaisia tunnisteita, vapauttaa turvallinen vakioteksti, toimittaa esiasetuksia tiimille – ilman koodimuutoksia.

Vertaile vaihtoehtoihin Katso lähdekoodi
01

Asianajotoimistot ja lakiosastot

Käytä tekoälyä sopimusten tarkistamiseen, tapaustiivistelmiin, juridisten muistioiden laadintaan, NDA-vertailuun ja asiakasviestintään paljastamatta asiakkaan tunnistetietoja.

Esimerkkejä arkaluonteisista tiedoista
Asiakkaiden nimet Vastapuolet Sopimusnumerot Asianumerot Osoitteet Tuomioistuinviittaukset Luottamukselliset oikeustosiseikat
02

Veroneuvonta

Käytä tekoälyä verotoimiston kirjeiden selittämiseen, asiakassähköpostien laadintaan, verotapausten tiivistämiseen ja asiakirjatarkistuslistojen luomiseen suojaten samalla veronmaksajatietoja.

Esimerkkejä arkaluonteisista tiedoista
Verotunnukset Asiakkaiden nimet Tulotiedot Yritystiedot Osoitteet Pankkitiedot Verotoimistoviittaukset
03

Kirjanpito ja taloushallinto

Käytä tekoälyä laskutiivistelmiin, maksumuistutusten laadintaan, kulujen luokitteluun, kirjanpitokysymyksiin ja tilintarkastuksen valmistelumerkintöihin paljastamatta lasku- tai maksutietoja.

Esimerkkejä arkaluonteisista tiedoista
Toimittajien nimet Asiakkaiden nimet IBAN-tilinumerot Laskunumerot Verotunnukset Maksusummat Sisäiset viittaukset
04

Terveydenhuolto, klinikat ja terapeutit

Käytä tekoälyä lääketieteellisten muistiinpanojen jäsentämiseen, potilasystävällisten selitysten laadintaan, vastaanottojen jatkotoimien valmisteluun ja terapiamuistiinpanojen anonymisointiin ennen tekoälytyökalujen käyttöä.

Esimerkkejä arkaluonteisista tiedoista
Potilaiden nimet Syntymäajat Vakuutusnumerot Diagnoosit Lääkeviittaukset Vastaanottodata Terveystiedot
05

Pankit ja rahoituspalvelut

Käytä tekoälyä asiakasvalitustiivistelmiin, KYC-tapauskertomuksiin, AML-dokumentaatiotukeen, tilintarkastuksen valmisteluun ja asiakasvastauksiin säännellyissä rahoitustyönkuluissa.

Esimerkkejä arkaluonteisista tiedoista
Asiakkaiden nimet Tilinumerot IBAN-tilinumerot Tapahtumaviittaukset Lainanumerot Osoitteet Vaatimustenmukaisuustapausten tunnukset
06

Vakuutusala

Käytä tekoälyä vahinkoilmoitusten tiivistämiseen, vakuutusehtojen selittämiseen, puuttuvien asiakirjojen tarkistuslistojen valmisteluun, asiakasvastauksiin ja eskalointimuistiinpanojen jäsentämiseen peittäen vakuutuksenottajan ja vahinkotiedot.

Esimerkkejä arkaluonteisista tiedoista
Vakuutuksenottajien nimet Vahingon numerot Vakuutusnumerot Onnettomuuspaikat Ajoneuvon rekisterikilvet Terveystiedot Vahinkoraportit
07

Julkinen hallinto

Käytä tekoälyä kansalaisvastauksien laadintaan, hakemusten tiivistämiseen, sisäisten muistioiden valmisteluun, lomakkeiden selittämiseen ja lupa- tai etuusviestinnän tukemiseen.

Esimerkkejä arkaluonteisista tiedoista
Kansalaisten nimet Osoitteet Luvanumerot Hakemustunnukset Sosiaalietuustiedot Terveys- tai vammaisdata Viralliset asiatunnukset
08

HR ja rekrytointi

Käytä tekoälyä ansioluettelotiivistelmiin, haastattelukysymysten luomiseen, ehdokasvertailuun, suoritusarviointien laadintaan ja työntekijäviestintään paljastamatta hakijan tai työntekijän henkilöllisyyttä.

Esimerkkejä arkaluonteisista tiedoista
Ehdokkaiden nimet Työntekijöiden nimet Palkat Yhteystiedot Osoitteet Poissaolot Suoritusmuistiinpanot Työntekijätunnukset
09

Konsultointi

Käytä tekoälyä työpajojen tiivistämiseen, strategioiden laadintaan, prosessien analysointiin, tarjousten valmisteluun ja riskiarvioiden jäsentämiseen vuotamatta asiakkaan luottamuksellisia tietoja.

Esimerkkejä arkaluonteisista tiedoista
Asiakkaiden nimet Projektien nimet Sisäiset tiekartat Talousluvut Strategiset asiakirjat Työntekijöiden nimet Luottamukselliset prosessit
10

IT, IAM ja tietoturva

Käytä tekoälyä IAM-tikettien tiivistämiseen, käyttöoikeuspyyntöjen selittämiseen, häiriöraporttien laadintaan, tilintarkastusnäytön valmisteluun ja käyttäjäviestinnän parantamiseen peittäen tekniset tunnisteet.

Esimerkkejä arkaluonteisista tiedoista
Käyttäjätunnukset Työntekijätunnukset IP-osoitteet Isäntänimet Järjestelmänimet Käyttöroolit Ryhmänimet Tikettitunnukset Häiriötiedot