SAP PII-Redaktion Architektur-Diagramm SAP PII Redaction Architecture Diagram

Zwei-Layer-Architektur für Prod-zu-Dev-Kopien: deterministische Maskierung für die 95%, LLM-Redaktion für die 5%. Module, Tools und Freitext-Quellen wählen — das Diagramm und das Briefing regenerieren live. Keine E-Mail, keine Anmeldung. Two-layer architecture for prod-to-dev copies: deterministic masking for the 95%, LLM redaction for the 5%. Pick modules, tools, and free-text sources — the diagram and brief regenerate live. No email, no signup.

Verwandt: Case Study · Artikel: 95% brauchen kein LLM · HuggingFace-Modell Related: Case study · Article: 95% doesn't need an LLM · HuggingFace model

Dieses Diagramm-Pack dokumentiert die Zwei-Layer-PII-Redaktions-Architektur für SAP-Prod-zu-Dev-Kopien: deterministische Maskierung für die 95%, LLM-Redaktion für die 5%. SAP-Module, Maskierungs-Tool und Freitext-Quellen konfigurieren — SVG-Diagramm und Architektur-Briefing regenerieren live. Gleiche Form wie die Case-Study zum deutschen PII-Redaktor und der Artikel warum 95% der PII-Redaktion kein LLM brauchen (Englisch).

Verwandt: HuggingFace-Model-Card, Decision-Support-Architektur-Case-Study (Englisch).

ErforderlichRequiredSAP-Module im ScopeSAP modules in scope

›

Deterministisches Maskierungs-ToolDeterministic masking tool

›
Tool, das schema-aware, row-level-Spalten umschreibt. Bleibt unverändert.Tool that rewrites schema-aware, row-level columns. Stays unchanged.

Freitext-/OCR-Quellen (die 5%)Free-text / OCR sources (the 5%)

›

Deployment-BoundaryDeployment boundary

›
Keine Third-Party-API. Daten verlassen die Boundary nicht.No third-party API. Data does not cross the boundary.

LLM-ModellLLM model

›
Default ist der ge-tunte 1,5B-Redaktor — passt auf eine Consumer-GPU.Default is the fine-tuned 1.5B redactor — fits on a consumer GPU.

Ziel-UmgebungenTarget environments

›

Generierte ArtefakteGenerated artifacts

PII-Redaktor in 4 Wochen DSGVO-konform livePII redactor DSGVO-compliant in 4 weeks

Sie haben das Diagramm. Wenn Sie wollen, dass ich es baue — LoRA-Fine-Tuning auf Ihren NOTES + Z-Tabellen, Inferenz-Endpoint, Pipeline-Integration nach Ihrem Maskierungs-Tool — ich scope in 24 Stunden und liefere in 4 Wochen. Modell bleibt bei Ihnen, Apache 2.0. You have the diagram. If you want me to build it — LoRA fine-tune on your NOTES + Z-tables, inference endpoint, pipeline integration after your masking tool — I scope in 24 hours and ship in 4 weeks. Model stays with you, Apache 2.0.

Mein Konzept anfragen Request my scope

Warum die Boundary wichtiger ist als das ModellWhy the boundary matters more than the model

Compliance signiert nicht das Modell ab — sie signiert ab, wo Daten fließen. Ein Architektur-Diagramm, das den Klassifier, die LLM-Stufe und die Rück-Injektion alle innerhalb derselben Boundary zeigt, ist 80% der Konversation mit Datenschutz und Security. Der Rest sind Implementierungs-Details. Compliance does not sign off on the model — it signs off on where data flows. An architecture diagram showing the classifier, the LLM stage, and the re-injection all inside the same boundary is 80% of the conversation with data-protection and security. The rest is implementation detail.

  • Klassifier vor dem LLM, nicht hinter. Der Klassifier ist ein paar tausend Regex- und Pattern-Regeln. Er entscheidet, welche Zeilen überhaupt zum LLM gehen. Ohne ihn fahren Sie ein Tausendfaches der Compute.Classifier in front of the LLM, not behind. The classifier is a few thousand regex and pattern rules. It decides which rows even reach the LLM. Without it, you run a thousand times the compute.
  • Pseudonyme über Stufen hinweg konsistent. Der gleiche Mensch muss in beiden Stufen den gleichen Pseudonym bekommen. Der einfachste Weg: das Mapping des deterministischen Tools als Kontext in den LLM-Prompt geben.Pseudonyms consistent across stages. The same person must get the same pseudonym in both stages. Easiest path: pass the deterministic tool's mapping into the LLM prompt as context.
  • Structured-Output, nicht Span-Highlighting. Das LLM gibt JSON zurück mit `redacted_text`, `entities`, `risk_level`, `needs_human_review`. Was downstream weiterverarbeitet wird, ist JSON, nicht ein mark-up-Blob.Structured output, not span highlighting. The LLM returns JSON with `redacted_text`, `entities`, `risk_level`, `needs_human_review`. Downstream processing reads JSON, not a markup blob.
  • Risk-Level steuert Human-Review. Bei `risk_level: high` oder `needs_human_review: true` geht die Zeile in eine Queue, kein Schreiben in Dev. Bei `low` direkt durch. Bei `medium` Stichprobe.Risk level drives human review. On `risk_level: high` or `needs_human_review: true`, the row goes into a queue, no write to dev. On `low` straight through. On `medium`, sample.
KopiertCopied
Die Kontextschicht für Ihre KI-Agenten

Ihre Agenten antworten aus dem, was die Suche gerade findet, und oft ist das der Stand vom letzten Quartal. Ich baue die Kontextschicht, aus der sie antworten und handeln: einen temporalen Wissensgraphen, der jeden Fakt mit Quelle und Gültigkeitszeitraum hält, mit den Rechten der jeweiligen Person liest und nichts ohne Freigabe einer Person schreibt. Auf Ihrem eigenen Tenant, nach Stunden abgerechnet, Schritt für Schritt.

Knowledge-Graph-Beratung → Production Audit