Techniky anonymizace dat vysvětlené na příkladech

Mezi hlavní techniky anonymizace dat patří maskování, zobecňování, agregace, přidávání šumu, záměna, tokenizace, pseudonymizace a hašování a také dva způsoby měření výsledku: k-anonymita a diferenciální soukromí. Žádná z nich sama o sobě nestačí. Evropské regulační orgány uvádějí, že u každé techniky přetrvává určité riziko opětovné identifikace, a výsledek se považuje za anonymní jen tehdy, když nikdo nedokáže rozumně zjistit, koho se záznam týká.

Test, podle kterého se měří každá technika

Podle GDPR EU a britského GDPR se na anonymní informace nevztahují právní předpisy o ochraně osobních údajů, zatímco na osobní údaje ano. Bod odůvodnění 26 vymezuje hranici: zohledňují se všechny prostředky, „u nichž lze rozumně předpokládat, že budou použity“, například vyčlenění záznamu, k přímé či nepřímé identifikaci osoby. Tentýž bod odůvodnění uvádí, že pseudonymizované údaje, které lze pomocí dodatečných informací přiřadit k osobě, jsou stále informacemi o identifikovatelné osobě.

Tehdejší regulační orgány EU pro ochranu osobních údajů, Pracovní skupina podle článku 29, rozpracovaly tuto otázku do tří bodů ve svém stanovisku 05/2014 k technikám anonymizace (WP216). Lze stále vyčlenit jednu osobu? Propojit dva záznamy o téže osobě? Odvodit o osobě nějaké informace? Stanovisko dochází k závěru, že každá z posuzovaných technik v určitých situacích neobstojí alespoň v jednom z těchto bodů, a proto se techniky kombinují. Stejný přístup založený na riziku uplatňují také pokyny britského dozorového úřadu pro anonymizaci a pseudonymizaci, zveřejněné 28. března 2025.

Pokud nejprve potřebujete vysvětlit rozdíl mezi anonymizací, pseudonymizací a redakcí, začněte článkem kterou z nich potřebujete pro AI. Tento článek se věnuje jednotlivým technikám.

Ukázkový záznam

Všechny následující příklady vycházejí ze stejného smyšleného záznamu z personální složky:

Anna Kowalski, born 12.03.1989 (37), 14 Elm Street, Leeds,
anna.kowalski@example.com, staff nurse, 12 days of sick leave

Techniky, které hodnoty odstraňují nebo rozmazávají

Maskování a potlačení

Maskování skryje část hodnoty; potlačení odstraní hodnotu, sloupec nebo celý záznam.

A***** K*******, born **.**.1989, [address removed], staff nurse

Chrání před přímou identifikací. Narušuje vše, co vyžaduje odstraněnou hodnotu, a z výsledku ji nelze obnovit. Zbývající údaje mohou stále ukazovat na Annu: zdravotní sestru narozenou v roce 1989 není na malém oddělení těžké najít. Samotné maskování data jen zřídka anonymizuje.

Zobecňování

Zobecňování nahrazuje přesnou hodnotu obecnější hodnotou.

age 37 → 30-39; 14 Elm Street, Leeds → Leeds; staff nurse → healthcare worker

Chrání před vyčleněním jednotlivce tím, že mnoho lidí vypadá stejně. Ztrácí se přesnost: už nelze určit, kdo je starší. Postup je nevratný. Zda je výsledek anonymní, závisí na tom, kolik lidí sdílí každou kombinaci údajů; právě to měří k-anonymita (viz níže).

Agregace

Agregace zveřejňuje součty nebo průměry namísto jednotlivých řádků.

Ward 4, 2025: 23 nurses, average sick leave 9.4 days

Chrání jednotlivce, pokud je každá skupina dostatečně velká. Znemožňuje všechny dotazy týkající se jedné konkrétní osoby. U skupiny o jednom nebo dvou členech prozradí průměr hodnotu jednotlivce, proto se malé skupiny obvykle potlačují.

Šum (perturbace)

Šum náhodně a mírně mění hodnoty.

age 37 → 39; sick leave 12 days → 10 days

Statistiky zůstávají přibližně správné, ale každá jednotlivá hodnota je nespolehlivá. Přesné údaje se tím znehodnotí. WP216 varuje, že pokud šum nepřeváží nad informacemi, není šum samostatnou metodou anonymizace: odlehlá hodnota, například jediný člověk s 90 dny dovolené, zůstává rozpoznatelná.

Prohazování (permutace)

Prohazování vyměňuje hodnoty mezi záznamy, takže se v každém sloupci zachovají součty, ale řádky už nepatří jedné osobě.

Anna's 12 days of leave ↔ another nurse's 3 days

Chrání před propojením hodnoty s konkrétní osobou. Narušuje vztahy mezi sloupci a WP216 ukazuje, že selhává, pokud jsou prohozené hodnoty svázané s jinými sloupci: plat manažera přesunutý k pracovní pozici juniora je nápadný.

Techniky, které nahrazují identifikátory

Tokenizace

Tokenizace nahrazuje identifikátor náhodným tokenem a vazbu uchovává v samostatné chráněné tabulce.

anna.kowalski@example.com → TKN-8F3K2Q

ICO upozorňuje, že náhodný token nemá s původní hodnotou žádnou matematickou souvislost, takže samotný token nic neprozrazuje. Ten, kdo má tabulku, může postup obrátit, a proto jsou pro něj výsledná data stále osobními údaji.

Pseudonymizace pomocí stálých zástupných označení

Každá osoba, společnost nebo adresa dostane čitelné zástupné označení a stejná hodnota dostane vždy stejné označení.

Person_1, born [Date_1], [Address_1], staff nurse.
Person_1 asked Person_2 to approve the leave.

Skryje přímé identifikátory a zachová čitelnost toho, kdo co udělal, což je u textu důležité. Logika dokumentu zůstává zachována. Pomocí mapování lze postup obrátit a podle bodu odůvodnění 26 jde stále o osobní údaje. Podrobněji se otázce, kdo má klíč, věnuje náš článek o tom, zda jsou pseudonymizované údaje stále osobními údaji.

Hašování

Hašování zpracuje hodnotu jednosměrnou funkcí a uchová její výstup.

anna.kowalski@example.com → 3f9a…c71e (SHA-256)

Vypadá nevratně, ale u jmen a e-mailových adres to často neplatí. Každý, kdo má seznam pravděpodobných hodnot, může každou z nich zahashovat a porovnat výsledky: zaměstnanců nebo firemních adres není nekonečné množství. WP216 na to upozorňuje v souvislosti se známými rozsahy vstupních hodnot a ICO nedoporučuje hašování bez soli, tajného řetězce nebo klíče ani používání zastaralých algoritmů, jako jsou MD5 a SHA-1, protože jsou zranitelné vůči útokům hrubou silou. Hašování s klíčem je pseudonymizace; obyčejný hash e-mailové adresy je sotva co jiného.

K-anonymita a diferenciální soukromí

Nejde o způsoby, jak změnit hodnotu. Jde o způsoby, jak ověřit nebo zaručit, jak dobře je chráněna celá datová sada.

k-anonymita znamená, že každou kombinaci identifikačních atributů (věkové rozmezí, město, zaměstnání) sdílí alespoň k záznamů. Při k = 5 se Anna skryje mezi nejméně pěti lidmi, kteří vypadají stejně. Nezabrání to odvozování informací: pokud všech pět zdravotníků ve věku 30 až 39 let v Leedsu mělo více než deset dní dovolené, dozvíte se to i o Anně. l-diverzita přidává pravidlo, že každá skupina musí obsahovat alespoň l různých hodnot citlivého atributu.

Diferenciální soukromí se uplatňuje na odpovědi, nikoli na řádky. Ke každé zveřejněné statistice se přidává šum nastavený tak, aby se odpověď téměř nezměnila bez ohledu na to, zda jsou v datech údaje o konkrétní osobě. Ochranu určuje parametr a silnější ochrana znamená méně přesné údaje. Americký Úřad pro sčítání lidu jej použil pro datové výstupy ze sčítání lidu v roce 2020 s výjimkou součtů za jednotlivé státy použitých pro rozdělení křesel. Hodí se pro statistiky; nijak nepomáhá s dokumentem, který si někdo potřebuje přečíst.

U tabulek za vás měření provádějí nástroje. ARX, bezplatný open-source desktopový nástroj a knihovna Java (licence Apache 2.0, verze 3.9.2 k říjnu 2026), uplatňuje na strukturovaná data zobecňování, potlačování a mikroagregaci a ověřuje výsledek podle k-anonymity, l-diverzity, t-blízkosti a diferenciálního soukromí. Odhaduje také zbývající riziko opětovné identifikace. Je určen pro datové sady, jako jsou soubory CSV, tabulky Excel a databázové tabulky, nikoli pro smlouvy nebo dopisy.

Všechny techniky vedle sebe

U většiny řádků stojí „záleží“, protože o tom, zda je datová sada anonymní, se rozhoduje s ohledem na celou datovou sadu a její kontext, nikoli podle jednotlivých technik. Pokud plánujete něco zveřejnit nebo sdílet jako anonymní údaje, poraďte se se svým pověřencem pro ochranu osobních údajů nebo právníkem specializovaným na ochranu údajů.

Které techniky se hodí pro dokumenty poskytované AI

Datová sada pro statistiku a dokument určený chatbotu s umělou inteligencí vyžadují opačné věci. Statistiky potřebují mnoho řádků a žádné jednotlivce; agregace, zobecňování, k-anonymita a diferenciální soukromí jsou k tomu určeny. Smlouva, e-mailová konverzace nebo stížnost se týká konkrétních lidí a umělá inteligence je musí umět sledovat.

U dokumentů odvedou většinu práce tři techniky:

• Pseudonymizace pomocí stálých zástupných označení pro jména, společnosti, adresy, e-maily a identifikační čísla. Person_1 zůstává Person_1 v celém textu, takže umělá inteligence dokáže poznat, kdo co napsal a kdo komu co dluží. Černé pruhy nebo jediné označení „[REDACTED]“ to smažou; viz proč zástupná označení fungují lépe.
• Zobecňování dat a míst, které otázka nepotřebuje přesně: „březen 2025“ místo konkrétního dne, „město na severu Anglie“ místo ulice.
• Potlačování čehokoli, co otázka vůbec nepotřebuje, například zdravotního údaje v dokumentu, u kterého se ptáte jen na výpovědní lhůty.

Šum, prohazování a diferenciální soukromí sem nepatří: změna faktů v dokumentu vede k nesprávné odpovědi umělé inteligence. Hašování mění jména na řetězce, které nikdo, ani umělá inteligence, nedokáže zasadit do kontextu.

Výsledkem je pseudonymizace, takže se na vás pravidla ochrany osobních údajů stále vztahují. Mění se to, co opustí váš počítač. Pokud vybíráte software, náš kontrolní seznam toho, co hledat v nástroji pro pseudonymizaci popisuje, kam data putují a jak se vracejí původní jména.

Časté dotazy

Jaká je nejúčinnější technika anonymizace dat?

Žádná jediná neexistuje. WP216 zjistil, že každá z posuzovaných technik v některých situacích nesplňuje alespoň jeden ze tří testů. U statistických datových sad přináší nejlepší výsledky zobecňování a potlačování ověřené pomocí k-anonymity nebo diferenciální soukromí. U dokumentů, které musí umělá inteligence přečíst, je praktickou volbou pseudonymizace se zobecněním dat a míst, ale nejde o anonymizaci.

Stačí k anonymizaci e-mailové adresy její zahashování?

Ne. E-mailové adresy se řídí předvídatelnými vzory, takže útočník může zahashovat seznam pravděpodobných adres a porovnat výsledky. Bezpečnější je hash s klíčem nebo náhodný token, ale obojí je stále pseudonymizace, nikoli anonymizace.

Jaké nástroje pro anonymizaci datových tabulek existují?

Bezplatným open-source příkladem je ARX: načtete soubor CSV, Excel nebo databázovou tabulku, nastavíte pravidla pro zobecňování a potlačování, zvolíte model ochrany soukromí, například k-anonymitu, a nástroj oznámí zbývající riziko. Takové nástroje pracují se sloupci a řádky, nikoli se souvislým textem.

Vztahuje se GDPR na anonymizované údaje?

Podle bodu odůvodnění 26 se na skutečně anonymní údaje nevztahuje. Na pseudonymizované údaje ano. Obtížné je prokázat, že nikdo nemůže údaje rozumně znovu identifikovat, a proto regulační orgány přistupují k anonymizaci jako k posouzení rizik, nikoli jako k jedinému kroku.

ClientSafe pseudonymizuje dokumenty přímo ve vašem počítači: nahrazuje jména, společnosti, adresy, telefonní čísla, e-mailové adresy, čísla účtů a identifikační čísla i data narození zástupnými označeními, například Person_1, a v rámci celé dokumentace případu zachovává pro stejné jméno stejné označení. Detekce není dokonalá, proto si před kopírováním seznam zkontrolujte.