Die Synthetisierung ist eine alternative Methode zur Pseudonymisierung. Dabei wird ein kompaktes, leistungsfähiges LLama Sprachmodell eingesetzt, das vollständig autonom arbeitet. Im Gegensatz zu klassischen Ansätzen benötigt dieses Modell kein separates System zur Vorab-Erkennung von Entitäten. Stattdessen erkennt es personenbezogene und sensible Informationen direkt aus dem Kontext des Textes und ersetzt sie automatisch durch fiktive, aber plausibel wirkende Inhalte. Das Modell ist darauf trainiert, unterschiedliche Arten sensibler Informationen im laufenden Text zu identifizieren, darunter Namen und Anreden, geografische Angaben wie Straßen, Städte oder Postleitzahlen, Organisationsnamen sowie weitere personenbezogene Daten wie Telefonnummern, E-Mail-Adressen oder Bankdaten, sofern diese im Kontext relevant sind. Die Synthetisierung gilt als die stärkste Form der Pseudonymisierung, da die Struktur und Lesbarkeit des ursprünglichen Textes weitgehend erhalten bleiben, die Originaldaten jedoch irreversibel durch KI-generierte Inhalte ersetzt werden.

Bei der Synthetisierung wird der Text in Echtzeit vollständig durch ein Sprachmodell generiert. Dieser Prozess ist deutlich rechenintensiver als Maskierung oder klassische Pseudonymisierung. Für eine flüssige Verarbeitung wird daher eine leistungsfähige CPU oder idealerweise eine dedizierte GPU empfohlen. Ist die verfügbare Rechenleistung begrenzt, eignet sich die Synthetisierung vor allem für kürzere Textabschnitte, während für sehr große Dokumente Maskierung oder Pseudonymisierung die effizienteren Alternativen darstellen.

Die Basis für die Methoden Maskierung und Pseudonymisierung bildet unsere spezialisierte Named Entity Recognition (NER) KI, deren Aufgabe es ist, personenbezogene und vertrauliche Informationen in Ihrem Text präzise zu identifizieren. Sie erkennt und markiert diese Entitäten im Voraus, bevor sie durch Platzhalter oder Pseudonyme ersetzt werden. Die KI markiert Personen (PER) wie Namen, Vornamen und Initialen; Orte (LOC) wie Städte, Regionen; und Organisationen (ORG) wie Firmennamen, Unternehmen und Behörden. Die Erkennungsrate dieser NER-KI liegt je nach Anwendungsfall bei ca. 90 %. Diese Genauigkeit kann bei Bedarf durch die optionale, zusätzliche Regex-Maskierung weiter erhöht werden, welche für spezifische, musterbasierte Daten (wie interne IDs oder E-Mail-Formate) genutzt werden kann. Für die Regex Regeln gibt es diverse Sprachunterstützung.

Du hast die Wahl zwischen zwei NER-Modellen: einem leistungsfähigen Modell, das bis zu 10 verschiedene Sprachen unterstützt, und einem sehr schnellen, kleineren Modell, das hoch optimiert ist, jedoch hauptsächlich auf Englisch ausgerichtet ist. Im Gegensatz zur rechenintensiven Synthetisierung sind die Methoden Maskierung und Pseudonymisierung um ein Vielfaches schneller und erfordern deutlich weniger Hardware-Leistung. Daher empfehlen wir diese NER-basierten Verfahren ausdrücklich bei der Verarbeitung von großen und zahlreichen Dokumenten, da sie den Ursprungstext in seinem Kontext und Wortlaut nicht verändern.

Die KI maskiert automatisch sensible Daten wie Namen und Adressen direkt im Browser – ohne Cloud und ohne Speicherung. Dabei werden wahlweise klassische NER-Verfahren zur Maskierung oder Pseudonymisierung eingesetzt oder ein lokales Sprachmodell zur Synthetisierung, das personenbezogene Informationen kontextabhängig erkennt und durch realistisch wirkende, fiktive Inhalte ersetzt. Alle Verarbeitungsschritte erfolgen vollständig lokal auf dem Gerät.

Nein – das NER-basierte NLP-Modell erkennt ausschließlich tatsächlich im Text vorhandene Entitäten. Es generiert keine neuen Inhalte und halluziniert nicht. Bei der Synthetisierung mit einem LLM werden hingegen neue, fiktive Inhalte erzeugt, wodurch grundsätzlich die Möglichkeit von Halluzinationen besteht. Dieses Verhalten lässt sich jedoch über die Temperature-Einstellung steuern: Eine niedrige Temperature minimiert kreative Abweichungen und sorgt für stabile, sachliche Ersetzungen, während eine höhere Temperature bewusst fantasievollere und variablere synthetische Texte ermöglicht.

Die Geschwindigkeit hängt von der Leistungsfähigkeit der CPU ab. Auf einem Intel i5-12500 verarbeitet das PII-Mini-Modell etwa eine Seite in rund 4 Sekunden, während das PII-Nano-Modell dafür etwa 2 Sekunden benötigt. Die LLM-basierte Synthetisierung ist deutlich langsamer: Das kleinere Llama-Modell benötigt etwa 1 Minute pro Seite, das größere Modell rund 2 Minuten. Wird eine GPU genutzt und vom Browser unterstützt, kann sich die Verarbeitungszeit entsprechend verkürzen.

Es gibt kein Nutzungslimit. Du kannst beliebig viele Texte verarbeiten, unabhängig von Textlänge, Wortanzahl oder Zeichenumfang. Es existiert keine Tokenbegrenzung und keine mengenabhängige Abrechnung. Dir steht eine uneingeschränkte Flatrate zur Verfügung – egal, ob du ein einzelnes Dokument oder eine ganze Bibliothek verarbeitest. Zusätzliche Kosten oder der nachträgliche Kauf von Credits fallen nicht an.