← Werkzeug-Landkarte · Orchestrierung
Microsoft Presidio
Microsoft (Open Source, MIT) · Orchestrierung · selbst im Einsatz
Erkennt und ersetzt personenbezogene Daten in Texten – als eigener Dienst vor dem Sprachmodell, mit eigenen Regeln für deutsche Nummernformate.
Wofür taugt es?
- Personenbezogene Daten aus Prompts entfernen, bevor sie einen Anbieter erreichen
- Deterministische Typen mit Prüfziffer: IBAN, Steuer-IdNr., Sozialversicherungsnummer
- Eigene Recognizer als kurze Python-Klassen ergänzen (Kfz-Kennzeichen, Kunden- und Vertragsnummern)
- Fallbezogene Wörterbücher für Mitarbeiter-, Kunden- und Standortlisten
Woran scheitert es?
- Gescannte Unterlagen ohne saubere OCR – Lesefehler zerstören genau die Prüfziffern, von denen die Erkennung lebt
- Personennamen allein aus dem Modell heraus: spaCy trägt auf deutschen Geschäftstexten nur mit ergänzenden Regeln
- Statistische Anonymisierung von Tabellen (dafür ist ARX das Werkzeug, nicht Presidio)
- Betriebsort
- EU-Betrieb möglich
- Betriebsform
- self-hostbar
- Quelloffenheit
- Open Source
- Einstiegsaufwand
- mittel
Was steckt dahinter?
- Stand
- Beim Anbieter
- microsoft.github.io/presidio
Presidio besteht aus zwei Diensten: Der Analyzer findet Fundstellen in einem Text und gibt Typ, Position und Konfidenz zurück, der Anonymizer ersetzt sie. Dazwischen liegt die eigentliche Arbeit, und die ist sprachabhängig. Mit der Standardkonfiguration ist Presidio auf englische Texte eingestellt; für Deutsch braucht es das spaCy-Modell
de_core_news_lgund eigene Recognizer für Nummernformate, die es außerhalb Deutschlands nicht gibt.Im go4ai-Stack läuft Presidio als Analyzer- und Anonymizer-Container hinter einem LLM-Proxy und in einer eigenen Anwendung, die Dokumente vor der Übergabe an ein kommerzielles Modell aufbereitet. Die Erkennungsqualität ist dort auf einem eigenen deutschen Referenzdatensatz gemessen: Für die Typen mit Prüfziffer oder festem Format liegt der Recall bei 1,000, für Personennamen und Organisationen bei 0,944.
Die aufschlussreichere Zahl ist die für gescannte Unterlagen. Werden dieselben Beispiele mit realistischen OCR-Fehlern versehen, fällt der Recall der deterministischen Typen auf 0,695, die Sozialversicherungsnummer auf 0,000. Der Grund ist die Prüfziffer: Ein
Ostatt einer0macht aus einer gültigen Nummer eine ungültige, und die Prüfung greift nicht mehr. Namen und Organisationen bleiben dagegen bei 0,960 stabil, weil statistische Erkennung ein vertauschtes Zeichen verkraftet. Wer Presidio auf Scans einsetzt, braucht gute OCR und eine menschliche Kontrolle der Fundstellen, nicht eine der beiden.Die Precision fällt bei Organisationen bewusst niedrig aus. Für die Pseudonymisierung ist ein zu viel maskiertes Wort billiger als ein übersehener Firmenname; wer die Schwelle in die andere Richtung dreht, tauscht Lärm in der Prüfansicht gegen ein Datenleck. Presidio erlaubt diese Abwägung je Entitätstyp, und das ist der eigentliche Grund, es einem fertigen Maskierungsdienst vorzuziehen.
Wie das im Zusammenspiel aussieht, steht unter Pseudonymisierung & Anonymisierung. Die vollständigen Messwerte, auch der Vergleich mit den mitgelieferten deutschen Standardrecognizern, stehen unter Messung der Erkennung.