• ФИО клиентов ("Меня зовут Иван Петров")

• Телефоны ("+7 915 234-56-78")

• Адреса ("Проспект Мира, дом 127, квартира 45")

• Паспортные данные, ИНН, СНИЛС

Передать эти записи подрядчику (ML-команде, аналитикам) без анонимизации — утечка персональных данных.

Штраф по ФЗ-152: До 6 млн рублей + блокировка сайта.

В Европе ещё веселее (GDPR): до €20 млн или 4% годового оборота — что больше.

Как обычно решают: нанять людей

Наняли 5 человек. Платят по 100к в месяц каждому. Итого: 500 тысяч в месяц улетает.

Что они делают: Вручную читают транскрипты звонков, заменяют имена на [ИМЯ], телефоны на [ТЕЛЕФОН], и так далее.

Производительность: 20-30 документов в день на человека. Всей командой — 100-150 документов в день.

Проблемы:

• Медленно: У клиента 1000+ документов в день, не успевают

• Дорого: 500к/мес = 6 млн/год на зарплаты

• Ошибки: Человек устал, пропустил номер телефона → утечка ПД → штраф 6 млн

Вопрос: можно ли это автоматизировать?

Наше решение: ChamelOn

Мы сделали систему ChamelOn — автоматическая анонимизация персональных данных.

Время разработки: 3 месяца от ТЗ до production (работающей версии).

Что получилось:

• Жрёт 50-60 документов в секунду (против 20-30 в день вручную)

• Точность 92-96% (98%+ для телефонов и email)

• Стоимость: только сервер (~20к/мес)

• Экономия: 480 тысяч в месяц = 5.7 млн в год

Для сравнения:

• Человек: 20-30 документов в день

• ChamelOn: 50-60 документов в секунду

Разница — в тысячи раз.

Как оно работает (для чайников)

Что детектируем

ChamelOn ищет 9+ типов персональных данных:

1. ФИО: "Иван Петров", "Мария Сидорова"

2. Телефоны: "+7 915 234-56-78", "8-916-123-45-67"

3. Email: "user@example.com"

4. Адреса: "Проспект Мира, дом 127"

5. Города: "Москва", "Санкт-Петербург"

6. Паспорта: "Серия 4518, номер 234567"

7. ИНН: "771234567890"

8. СНИЛС: "123-456-789 01"

9. Telegram: "@username"

Как анонимизируем (4 способа)

1. Редактирование (полное удаление):

Было: "Меня зовут Иван Петров, телефон +7 915 234-56-78"

Стало: "Меня зовут [ИМЯ1], телефон [ТЕЛЕФОН1]"

2. Маскирование (частичное скрытие):

Было: "Иван Петров, +7 915 234-56-78"

Стало: "И*** П*****, +7 9** ***-**-78"

3. Псевдонимизация (замена на фейковые данные):

Было: "Иван Петров, +7 915 234-56-78"

Стало: "Алексей Смирнов, +7 916 987-65-43"

4. Обобщение (замена на категорию):

Было: "Иван Петров, +7 915 234-56-78"

Стало: "мужское имя, мобильный номер"

Технологии

Ну вот тут совсем кратко (без занудства):

• Backend: Node.js (бекенд)

• Frontend: React (веб-интерфейс)

• Детекция:

  • Regex паттерны (ищут номера/email)

  • ML модели (Natasha NER для русских имен)

  • Словари (60 тысяч фамилий, 28 тысяч имен)

Короче, комбинация правил + машинное обучение.

Где мы налажали (косяки разработки)

Теперь самое интересное. Первая версия работала отлично... на тестовых данных. А когда клиент дал реальные записи — началось веселье.

Косяк #1: Разорванные телефоны

Проблема: Клиенты диктуют номер телефона не целиком, а по кускам. Паузы в речи. Повторы. Переспросы.

Пример из реальных записей:

Оператор: "У вас WhatsApp есть на этом номере?"

Клиент: "Вы 7868 звоните, да?"

Оператор: "Нет, я звоню 963-824-487, а на какой номер мне позвонить?"

Клиент: "Лучше 914-218-7868, там WhatsApp."

Оператор: "7868. Алексей, да?"

Видишь? Полный номер — +7 914 218-7868. Но он разбит на три части: "7868", "914-218-7868", "7868".

Базовый regex такое не ловит. Он ищет номер целиком, а тут куски по всему тексту.

Что сделали: Написали Context-aware Phone Detector — анализирует контекст вокруг чисел. Если видит слова "номер", "позвонить", "WhatsApp" рядом с числами — собирает их вместе.

Результат: Точность для разорванных номеров выросла с 40-50% до 85-90%.

Первую неделю детектор ловил всякую хрень типа "Проспект Мира 127" как номер телефона. Пришлось добавлять фильтры.

Косяк #2: Ошибки распознавания речи

Проблема: Клиент использует ASR (автоматическое распознавание речи), чтобы превращать звонки в текст. ASR делает ошибки — особенно с именами и городами.

Примеры из жизни:

• "Меня зовут Юлия" → "Меня зовут Юля зовут" (дубль слова)

• "Наталья Усанина" → "Наталья Усаниной" (опечатка)

• "В Макеевку" (город) → "В Матеевке" (ASR не знает города)

Наш детектор ищет "Юлия" в словаре имён — находит. А "Юля зовут" — не находит, потому что это не имя, а косяк транскрибации.

Что сделали: Добавили Fuzzy Matching (нечёткий поиск) + обработку склонений. Теперь детектор понимает: "Усанина" и "Усаниной" — это одна фамилия в разных падежах.

Результат: Пропущенные ПД снизились с 8-10% до 5-7%.

Косяк #3: Контекстная зависимость

Проблема: Одно слово может быть персоналкой или НЕ персоналкой — зависит от контекста.

Пример 1: "Мира" (топоним или имя?)

Контекст А:

"Один на проспекте Мира, дом 127"

"Мира" тут — это проспект, не имя. Пропускаем.

Контекст Б:

"Меня зовут Мира"

"Мира" тут — это имя. Детектируем как [ИМЯ].

Первую неделю детектор анонимизировал "проспект Мира" везде. Получалось: "проспект [ИМЯ], дом 127". Бред.

Что сделали: Добавили фильтрацию адресных контекстов. Если рядом со словом "Мира" есть "проспект", "улица", "дом" — это топоним, пропускаем.

Результат: Ложные срабатывания упали с 12-14% до 5-7%.

Другие применения (где ещё полезно)

ChamelOn делали для колл-центра, но применимо и в других местах.

1. Медицина: исследования без раскрытия личности

Ситуация: Нужно провести научное исследование на данных пациентов.

Проблема: Этический комитет не одобрит, если истории болезни содержат ФИО, адреса, паспорта.

Решение: Анонимизировать истории болезни — оставить симптомы, диагнозы, но удалить личность.

Результат: Публикуешь исследование без риска судебных исков.

2. HR: анонимные резюме против предвзятости

Ситуация: Рекрутер смотрит резюме. Видит ФИО, возраст, фото.

Проблема: Эта информация влияет на решение. ФИО "Магомед" → пропускают. Возраст 50+ → пропускают. Фото "не того вида" → пропускают.

Решение: Анонимные резюме — убрать ФИО, возраст, фото. Оценивать только скиллы.

Результат: Увеличение разнообразия нанимаемых на 15-20%.

3. DevOps: копировать production базу в test без утечки

Ситуация: Нужно скопировать production базу данных в staging для тестирования.

Проблема: В production есть реальные клиенты с реальными данными. Копировать как есть — утечка ПД.

Решение: Анонимизировать дамп БД перед копированием.

Результат: Тестируешь на реальных данных без риска штрафов.

4. Юристы: публиковать кейсы без палева

Ситуация: Юридическая фирма хочет опубликовать кейс для маркетинга.

Проблема: Документы полны конфиденциальных данных клиентов.

Решение: Анонимизировать документы перед публикацией.

Результат: Показываешь свою работу без судебных исков.

Лайфхак: Как законно использовать западные сервисы с российскими ПД

Ну вот тут самое интересное. Многие российские компании хотят использовать западные AI-сервисы (OpenAI, Claude, Google Cloud), но упираются в проблему: нельзя передавать персональные данные россиян на зарубежные серверы без специальных условий.

Что говорит закон (ФЗ-152)

Статья 12: Персональные данные граждан РФ должны обрабатываться на серверах в России.

Исключение: Можно передать на зарубежные серверы, если:

1. Есть согласие субъекта персональных данных

2. ИЛИ данные обезличены (анонимизированы)

Штраф за нарушение: До 6 млн рублей + блокировка.

Проблема на практике

Ситуация: Ты хочешь использовать OpenAI API для анализа клиентских заявок, обучения чат-бота, классификации обращений.

Но в заявках персоналка: ФИО, телефоны, email, адреса доставки.

Вопрос: Как отправить это в OpenAI, не нарушая закон?

Решение: Анонимизация перед отправкой

Схема:

1. Клиентская заявка (с персоналкой)

2. ChamelOn анонимизирует (на твоём российском сервере)

3. Анонимизированные данные отправляются в OpenAI/Claude

4. AI обрабатывает, возвращает результат

Реальные use cases

Use Case #1: Обучение чат-бота на клиентских диалогах

Проблема: У тебя 10,000 диалогов с клиентами. Хочешь обучить чат-бота (fine-tuning OpenAI), но в диалогах куча персоналки.

Решение:

1. Прогоняешь диалоги через ChamelOn → анонимизируешь

2. Отправляешь анонимизированные диалоги в OpenAI для обучения

3. Обученная модель не знает реальных ФИО/телефонов, только метки

Результат: Ты используешь OpenAI легально, не нарушая ФЗ-152.

Use Case #2: Транскрибация звонков через Google Cloud Speech-to-Text

Проблема: Google Cloud Speech-to-Text работает отлично (лучше российских аналогов), но записи звонков содержат персоналку.

Решение:

1. Вырезаешь фрагменты с персоналкой (ФИО, телефоны) ДО отправки в Google

2. ИЛИ отправляешь как есть, но потом анонимизируешь транскрипт на своём сервере

Результат: Google обрабатывает аудио без персоналки, ты получаешь транскрипт и чистишь его локально.

Use Case #3: Аналитика клиентских отзывов через Claude API

Проблема: Хочешь анализировать отзывы клиентов на тональность/проблемы через Claude, но в отзывах ФИО, телефоны, email.

Решение:

1. Анонимизируешь отзывы через ChamelOn

2. Отправляешь в Claude API

3. Получаешь аналитику: "70% отзывов негативные из-за долгой доставки"

Результат: Claude обрабатывает отзывы без персоналки, ты получаешь инсайты легально.

Важные нюансы

1. Анонимизация != Псевдонимизация для закона

ФЗ-152 считает:

• Анонимизация (обезличивание) — данные НЕЛЬЗЯ восстановить → можно передавать

• Псевдонимизация — данные МОЖНО восстановить по ключу → всё ещё ПД, нельзя передавать без согласия

Для OpenAI/Claude используй: Redaction ([ИМЯ], [ТЕЛЕФОН]) или Generalization ("мужское имя", "мобильный номер").

НЕ используй для зарубежных серверов: Псевдонимизацию (замена на фейковые данные), если хранишь маппинг для восстановления.

2. Согласие субъекта (альтернатива)

Если нужно передавать данные как есть (без анонимизации), можешь запросить согласие:

"Я согласен на передачу моих персональных данных на серверы OpenAI (США) для целей обработки заявки."

Но это геморрой:

• Нужно собирать согласия со всех клиентов

• Клиенты могут отказаться

• Юридическая волокита

Проще анонимизировать и не париться.

3. Хранение данных

Важно: Анонимизация происходит на твоём сервере (в России). Только анонимизированные данные уходят за границу.

Нельзя: Отправить сырые данные в OpenAI, а потом сказать "мы их анонимизировали там". Роскомнадзор пошлёт.

Итоги: Западные сервисы + ФЗ-152 = Возможно

Схема работы:

1. Персональные данные → твой российский сервер (ChamelOn анонимизирует)

2. Анонимизированные данные → OpenAI/Claude/Google Cloud (обрабатывают)

3. Результат → возвращается тебе, деанонимизация (если нужно) на твоём сервере

Легально: Да, потому что западные серверы НЕ получают персональные данные (только метки).

Эффективно: Да, потому что используешь лучшие AI-модели мира.

Дёшево: Да, потому что анонимизация стоит копейки (20к/мес на сервер против 500к/мес на ручную работу).

Короче: Анонимизация — это не только про защиту от штрафов. Это про возможность использовать крутые западные AI-сервисы, не нарушая российский закон.

Почему не используем LLM (большие AI-модели)?

Вопрос: Почему ChamelOn не использует ChatGPT/Claude для детекции персоналки?

Ответ: Потому что это медленно и дорого.

Сравнение:5. Деанонимизация (если нужно восстановить связь)

Пример:

До анонимизации (на твоём сервере):

"Добрый день! Меня зовут Иван Петров, телефон +7 915 234-56-78. Хочу заказать доставку по адресу: Москва, проспект Мира, дом 127."

После анонимизации (отправляешь в OpenAI):

"Добрый день! Меня зовут [ИМЯ1], телефон [ТЕЛЕФОН1]. Хочу заказать доставку по адресу: [ГОРОД1], [АДРЕС1]."

OpenAI видит: Нет персональных данных, только метки [ИМЯ1], [ТЕЛЕФОН1].

Классифицирует: "Заявка на доставку, город: столица, тон: вежливый".

Возвращает тебе: Результат классификации.

Если нужно восстановить: У тебя есть маппинг [ИМЯ1] = Иван Петров, [ТЕЛЕФОН1] = +7 915 234-56-78 (хранится на твоём сервере).

В 25-100 раз медленнее. Для 1000 документов в день это критично.

НО: Планируем добавить LLM для валидации (не для основной работы).

Идея:

1. Stage 1: Regex + ML ищут персоналку (быстро, 5-20ms)

2. Stage 2: LLM проверяет результат, находит пропущенное (медленно, но опционально)

3. Stage 3: Админ смотрит предложения LLM, подтверждает или отклоняет

Пример:

Оригинал: "Звонила Татьяна, сказала приехать на Кутузовский"

Stage 1 (Regex): "Звонила [ИМЯ], сказала приехать на Кутузовский"

(Пропущен "Кутузовский" — проспект, адрес)

Stage 2 (LLM): "Нашёл пропущенное: Кутузовский (адрес, уверенность 85%)"

Stage 3 (Человек): Админ подтверждает → добавляется в чёрный список

Следующий раз: "Звонила [ИМЯ], сказала приехать на [АДРЕС]"

(Теперь анонимизируется автоматически!)

Стоимость LLM интеграции: ~$1.70/месяц (~170 рублей) для 10,000 запросов.

Экономия на ручной работе: ~21,000 рублей.

ROI: 21,000 / 170 = 123x возврат.

Релиз планируем на Q1 2026.

Итоги: автоматизация vs ручная работа

Ручная анонимизация:

• Стоимость: 500 тысяч рублей/мес

• Производительность: 20-30 документов/день на человека

• Риск: Пропустил ПД → штраф 6 млн

ChamelOn:

• Стоимость: 20 тысяч рублей/мес (только сервер)

• Производительность: 50-60 документов/сек

• Точность: 92-96%

• Экономия: 5.7 млн рублей/год

Время разработки: 3 месяца от ТЗ до production.

Compliance: ChamelOn помогает соблюдать GDPR (Европа), ФЗ-152 (Россия), HIPAA (США, медицина).

Масштабируемость: От 10 до 10,000 документов в день без изменений архитектуры.

Дисклеймер: Ожидаемая критика

Я понимаю, что пост вызовет критику. "Зачем автоматизация, если есть ручная работа?", "AI делает ошибки, лучше доверять людям", "Это замена специалистов".

Моё мнение: Эта критика больше про страх смешанный с высокомерием, чем про технические аргументы.

Страх: "Если AI может анонимизировать данные, что будет с моей работой?"

Высокомерие: "Только люди могут правильно обрабатывать данные, AI — это игрушка."

Реальность: AI не заменяет хороших специалистов. Он их усиливает. ChamelOn не про замену людей — это про автоматизацию рутины, ускорение процессов и снижение человеческих ошибок.

Факты:

• Ручная анонимизация: 20-30 документов/день, риск пропустить ПД

• ChamelOn: 50-60 документов/сек, 95% точность, полный аудит

Не согласен? Отлично. Напиши мне в Telegram, обсудим технические детали. Предпочитаю технические аргументы эмоциональным реакциям.

P.S. У меня есть телеграм-канал, где я пишу про разработку, всякое айтишное, а иногда бизнесовое. Давления никакого — просто если вдруг интересно: t.me/maslennikovigor

Игорь Масленников AI Dev Team | DNA IT В IT с 2013 года

• поток эмоций = река хаоса,

• канал фактов = дамба, структура, русло,

• понижение энтропии = управление потоком = рост по карьерной лестнице,

— тот становится архитектором реки, получает доверие, решения принимаются быстрее, ошибки падают, а продвижение приходит раньше, чем у остальных.

Эмоции в работе нужны. Но не там, где решаются задачи.

Если хочешь строить карьеру — превращай бурный поток в канал. Поток оставь на вечер, другу или собаке.

Кнопка спрятана в самом низу, под кучей блоков и ссылок. Когда в первый раз листал страницу, меня почти убедили, что отмены вообще не существует

Сложность:3/5
Комментарии: дважды (или даже трижды!) просит подтвердить отмену

YouTube Premium — 27 секунд

Здесь всё проще. Если оформляли через Google Play, то отмена делается в 3 клика, но если покупали через браузер — входите в раздел «Покупки и подписки» и прокручиваете до кнопки отмены

Сложность: 2/5
Комментарии: самое быстрое отключение из всех

VK Музыка — 1 мин 45 сек

И вот тут начинается веселье:))

Отключение подписки в VK Музыке занимает дольше всего по одной простой причине — кнопка спрятана не там, где логика подсказывает её искать

Вместо привычного пути «Настройки → Подписка», здесь нужно идти через “Платёжные услуги”, затем в “Платные подписки”, и только там появляется заветная кнопка «Отменить».

А если оформляли подписку через iOS или Android, то отмена находится вовсе не в VK, а в App Store или Google Play, о чём сервис пишет только в момент попытки отключить

Сложность: 4/5
Комментарии: много лишних шагов, разный интерфейс, разные точки отмены — и из-за этого процесс кажется запутанным и долгим

Okko — 42 секунды

Удивительно, но кнопка отмены находится почти на виду. Ничего лишнего, без лишних подтверждений

Сложность: 1/5
Комментарии: хороший UX, удивлён

IVI — 2 мин 10 сек

IVI — чемпион по сложности среди всех. Кнопка не просто спрятана — она закопана где-то очень глубоко в настройках аккаунта

Сложность: 5/5
Комментарии: будто бы специально хотят, чтобы ты передумал 🙂

🧠 Выводы

После этого эксперимента у меня возник только один вопрос: почему отключать некоторые подписки настолько сложнее, чем оформлять?

У YouTube всё чинно, понятно. У Яндекса — терпимо. Но у IVI и VK — настоящие лабиринты...

Но с другой стороны: чем сложнее отмена, тем легче забыть о ней — и тем проще получить неожиданное списание, кто-то всегда остается в плюсе

⏰ Как не забывать отключать подписки вовремя?

Наверное, я бы пропустил пару списаний, если бы не напоминалка в Телеграме

Я использую бота Subby, который заранее пишет: «Через 3 дня будет списание за такую-то подписку»

Один раз добавил — и всё, он сам напоминает

Вот бот: https://t.me/my_subby_bot

Реально полезный инструмент, если подписок у вас больше трёх

А у вас какой сервис оказался самым “хитрым”?

Итак, друзья, может быть, я заблуждаюсь, и только для меня поиск кнопки "Отмена подписки" вызвал дискомфорт

Напишите в комментариях — у кого уходило больше всего времени на отключение? Сравним опыт и посмеёмся вместе)

Подписывайтесь — будет ещё больше коротких, полезных и честных инструкций