LOKALER DATENSCHUTZ. EUROPÄISCHER KONTEXT.

Kontext bewahren.
Privatsphäre schützen.

Nützliche KI sollte Ihre sensiblen Daten nicht brauchen. Bowden-PII erkennt und maskiert personenbezogene Kennungen lokal, bevor Ihr Text die Cloud erreicht.

Praxisbeispiel ansehen Bowden-PII kennenlernen

Fokus Schweiz / EU · Open-Source-Projekt · Frühe Entwicklungsphase

DIE DATENSCHUTZGRENZEABB. 01

kundennotiz.txt

Kontaktdaten

bowden / piiERKENNEN → PRÜFEN → MASKIEREN

BLEIBT LOKALBEI BEDARF GETEILT

[EMAIL_1][IBAN_1][AHV_1]

Der Kontext bleibt. Die Kennungen bleiben hier.

01 / Verarbeitung unter Ihrer Kontrolle

02 / Vor dem Senden minimieren

03 / Nützlichen Kontext bewahren

DIE DATENSCHUTZGRENZE IN BEWEGUNG

Den Kontext weitergeben.

Kennungen werden zu Platzhaltern.
Die Originalwerte bleiben bei Ihnen.

IHRE UMGEBUNGMASKIERTE AUSGABE

01 / ERKENNEN

mia@example.ch→ bowden / pii →[EMAIL_1]

Illustration mit fiktiven Kontaktdaten. Die Animation führt keine Erkennung aus.

DER ANSATZ

Ein kleiner Baustein.
Eine wichtige Grenze.

Personenbezogene Informationen (PII) machen aus alltäglichen Texten sensible Daten. Bowden-PII schützt lokal die E-Mails, Dokumente und Datensätze, mit denen Sie arbeiten möchten.

01 — ERKENNEN

Für echte Kennungen entwickelt

Regeln mit Prüfsummenvalidierung für Schweizer AHV/AVS, UID/CHE, IBAN und Kreditkarten, ergänzt um Kontakt- und Netzwerkkennungen.

Deterministischer Kern verfügbar

02 — ERSETZEN

Das Wesentliche bewahren

Ersetzen Sie erkannte Werte durch konsistente Platzhalter mit Typangabe. Eine lokale Zuordnung bewahrt die Originale zur Verwaltung durch Ihre Anwendung auf.

Stabile Platzhalter + Audit-Metadaten

03 — ERWEITERN

Mehr als feste Muster

Ein optionaler neuronaler Detektor untersucht Namen, Adressbestandteile und fehlerhafte Texte. Bei Überschneidungen haben validierte Regeln Vorrang.

Experimentelle Hybrid-Laufzeit

IN DER PRAXIS

Gleiche Aussage.
Weniger Daten preisgeben.

Sehen Sie anhand einiger Beispieldatensätze, wie die deterministische Python-Engine arbeitet. Die Ergebnisse wurden mit fiktiven Kontaktdaten und Testkennungen vorberechnet.

ORIGINALTEXT01 / EINGABE

Bitte ändern Sie die Kontaktadresse auf mia@example.ch.
AHV: 756.9217.0769.85
IBAN: CH93 0076 2011 6238 5295 7
Bestätigung bitte an mia@example.ch.

Sensible Werte sind hervorgehoben.

MASKIERTER TEXT02 / AUSGABE

Bitte ändern Sie die Kontaktadresse auf [EMAIL_1].
AHV: [AHV_1]
IBAN: [IBAN_1]
Bestätigung bitte an [EMAIL_1].

Gleiche Werte behalten denselben Platzhalter.

4 Textstellen maskiert · 3 eindeutige Platzhalter

Lokal vorberechnet · Kein Text-Upload

Strikt umfasst alle unterstützten deterministischen Kennungsklassen, einschliesslich URLs.

JavaScript ist deaktiviert. Das Beispiel oben zeigt das Ergebnis mit dem Profil «Strikt». Aktivieren Sie JavaScript, um Beispiele und Richtlinien zu wechseln.

WO ES PASST

Vor dem Prompt.
Vor dem Log. Vor der API.

Setzen Sie die Maskierung dort ein, wo Text die Datenschutzgrenze Ihrer Anwendung überschreitet. Die Python-API und die Kommandozeile sind die heutigen Einstiegspunkte.

01Ihr Text

E-Mails, extrahierte Dokumente,
Support-Notizen oder Logs

02 / LOKALBowden-PII

Kennungen erkennen.
Durch Platzhalter ersetzen.

03Ihr nächster Schritt

Maskierten Text an ein LLM,
eine API oder weitere Werkzeuge senden.

Die Platzhalterzuordnung bleibt in Ihrer Anwendung. Die Trennung von Mandanten, verschlüsselte Speicherung und kontrollierte Wiederherstellung liegen heute in der Verantwortung der integrierenden Anwendung.

OFFEN ENTWICKELT

Heute nutzbar.
Morgen mehr.

Zuerst eine praxistaugliche Grundlage, dann breitere Abdeckung und gründlichere Evaluation. Das Projekt befindet sich in einer frühen Entwicklungsphase. Die Roadmap zeigt die Richtung, keine verbindlichen Veröffentlichungstermine.

Projektdetails lesen

FRÜHE ENTWICKLUNGSPHASE

UMGESETZT

Eine lokale Grundlage

Deterministische Erkennung, typisierte Platzhalter, drei Richtlinienprofile, Python-API, Kommandozeile und Audit-Metadaten ohne Originalwerte.

EXPERIMENTELL

Aus dem Kontext lernen

Optionale hybride Erkennung, MiniLM-Trainingsläufe, synthetische mehrsprachige Daten und lokale Werkzeuge zur Prüfung der Textextraktion aus öffentlichen Dokumenten.

ALS NÄCHSTES

An der Realität messen

Evaluation mit öffentlichen Dokumenten und OCR-Texten ausbauen, schwierige Negativbeispiele ergänzen, mehr Telefonnummern abdecken und ein mehrsprachiges Modell vergleichen.

LANGFRISTIG

Datenschutz näher an die Quelle bringen

Ausführung im Browser oder als begleitender Dienst untersuchen, verwaltete Platzhalterspeicherung und explizite Kontrollen für die lokale Wiederherstellung entwickeln.

DER MENSCH HINTER DEM NAMEN

Caspar
Bowden.

Datenschutz-Vorkämpfer. Unabhängiger Denker.
Eine Stimme für Rechte über Grenzen hinweg.

1998: Gründet FIPR mit; wird erster Direktor
2002: Wird Datenschutzberater bei Microsoft
2013: Verfasst einen Bericht für das EU-Parlament

Ein Name mit Bedeutung.

Caspar Bowden war ein britischer Datenschutz-Vorkämpfer. Er gründete die Foundation for Information Policy Research mit und war später Microsofts leitender Datenschutzberater für Europa, den Nahen Osten und Afrika. [1]

Schon vor den Snowden-Enthüllungen warnte er davor, dass Cloud-Computing europäische Daten ausländischer Überwachung aussetzen könnte. Er verband technische Sachkenntnis mit dem Einsatz für Menschenrechte. [2]

Unsere Antwort: vor dem Senden minimieren.

Bowden-PII greift dieses Anliegen auf. Das Projekt will lokale Datenminimierung vor der Nutzung von Cloud-KI praktisch umsetzbar machen: sensible Kennungen erkennen, lokal ersetzen und die Originalwerte unter Ihrer Kontrolle behalten.

In Erinnerung an Caspar · EDRi ↗Sein Cloud-Vortrag von 2013 ↗Bericht für das EU-Parlament ↗

Zu seinen Ehren benannt. Dieses Projekt ist unabhängig und steht in keiner Verbindung zu Caspar Bowdens Nachlass oder einer Organisation. Es beschreibt unsere Interpretation seines Einflusses und beansprucht keine Unterstützung durch ihn oder seinen Nachlass.

EIN BESSERER AUSGANGSPUNKT FÜR KI

Weniger Personendaten.
Mehr Möglichkeiten.

Entdecken Sie die Implementierung, verstehen Sie die Abwägungen und gestalten Sie einen Datenschutzbaustein für Schweizer und europäische Arbeitsabläufe mit.

Quellcode auf GitHub

0.0.1 · Entwicklervorschau / Downloads →

PYTHON / LOKALE LAUFZEIT

from bowden_pii import redact

result = redact(
    "Kontakt: mia@example.ch",
    policy="strict",
)

print(result.redacted)
# Kontakt: [EMAIL_1]

Installation & Nutzung

HÄUFIGE FRAGEN

Klar von Anfang an.

Ist Bowden-PII ein LLM?

Bowden-PII ist ein lokaler Baustein zur Erkennung und Maskierung, der einem LLM oder einem anderen Dienst vorgeschaltet werden kann. Der deterministische Kern arbeitet ohne neuronales Modell. Die optionale Hybrid-Laufzeit ergänzt ein kleines Modell zur Token-Klassifikation.

Verarbeitet diese Website meine Daten?

Die Beispiele sind fest hinterlegte, vorberechnete Ergebnisse. Diese Website enthält kein Text-Upload-Formular. Für die Website-Analyse wird ein Skript von wave.21nauts.com geladen. Der Hosting-Anbieter erhält ebenfalls die üblichen Webanfragen. Für die Verarbeitung eigener Daten benötigen Sie die lokale Python-Laufzeit.

Ist das Projekt produktionsreif?

Bowden-PII befindet sich in einer frühen Entwicklungsphase. Ein funktionsfähiger Kern und experimentelle Modellläufe sind vorhanden. Synthetische Benchmarks belegen jedoch keine Zuverlässigkeit im Alltag. Prüfen Sie eigene Daten, übersehene Kennungen und Fehlalarme und ergänzen Sie die erforderlichen Datenschutzmassnahmen, bevor Sie sich darauf verlassen.

Warum der Name Bowden?

Das Projekt ist zu Ehren von Caspar Bowden und seiner Arbeit zu Datenschutz und Cloud-Überwachung benannt. Es ist unabhängig und steht in keiner Verbindung zu seinem Nachlass oder einer Organisation.

Kontext bewahren.Privatsphäre schützen.