KI-Evaluierung der Anonymisierung deutscher Texte

Prüft, dass ein Anonymisierungsmodell oder -kontext keine deutschen personenbezogenen Daten durchlässt (E-Mail, Telefon, IBAN, Steuer-ID, Geburtsdatum).

Bewertete Ressource

Kriterien

Jedes personenbezogene Datum muss durch den richtigen Platzhalter ersetzt werden; ein Text ohne personenbezogene Daten bleibt unverändert.

Testfälle

Geschätzte Kosten

Eingabe-Tokens pro Aufruf : ≈ 337

Nur Eingabekosten, ohne die Antwort des Modells. Öffentliche Standardpreise der Anbieter (Mistral AI, DeepSeek, OpenAI, Anthropic) von USD in Euro umgerechnet zum EZB-Kurs vom 29. September 2026. Schätzung: 1 Token ≈ 3,6 Zeichen.

Kennung

contextetech--eval-texte-anonymisieren-dsgvo

Typ

Evaluierungen

Datei

eval-texte-anonymisieren-dsgvo.eval.jsonl

Format

JSON Lines (application/jsonl)

Größe

504 Bytes

Kodierung

UTF-8

Geschätzte Tokens

≈ 139

Sprache

Deutsch

Lizenz

CC BY 4.0

Kommerzielle Nutzung

Erlaubt

Personenbezogene Daten

Fiktiv (erfunden)

Version

1.0

Veröffentlicht am

3. Oktober 2026 um 05:20

Aktualisiert am

3. Oktober 2026 um 05:20

Speicherung

in der Datenbank

Nutzungen

0

Gefällt mir

0

eval-texte-anonymisieren-dsgvo.eval.jsonl

{"input":"Rufen Sie Lukas Wagner unter 0170 1234567 an.","expected":"\\[TELEFON_1\\]"}
{"input":"Meine E-Mail ist l.hoffmann@gmx.de, danke.","expected":"\\[EMAIL_1\\]"}
{"input":"IBAN: DE02 1203 0000 0000 2020 51","expected":"\\[IBAN_1\\]"}
{"input":"Steuer-ID: 65929970489","expected":"\\[STEUER_ID_1\\]"}
{"input":"Geboren am 22.07.1988, lebt Petra Klein in Köln.","expected":"\\[GEBURTSDATUM_1\\]"}
{"input":"Das Paket verlässt Hamburg morgen.","expected":"^Das Paket verlässt Hamburg morgen\\.$"}

Evaluation ausführen (Python)

import json, re

cases = [json.loads(l) for l in open("eval-texte-anonymisieren-dsgvo.eval.jsonl")]

def score(answer, expected, metric="regex"):
    if metric == "exact": return answer.strip() == expected.strip()
    if metric == "regex": return re.search(expected, answer) is not None
    return expected.lower() in answer.lower()   # contains (llm-judge : faire noter par un modèle)

def run(ask):  # ask(input) -> réponse du modèle
    ok = sum(score(ask(c["input"]), c["expected"]) for c in cases)
    print(f"{ok}/{len(cases)} réussis ({100 * ok // len(cases)} %), seuil 100 %")