Liminaの最新情報を読む

Better Synthetic Replacements Preserve the Context Data Needs

Redaction protects identity by destroying information. Limina's new Contextual Replacement capability takes a different approach, replacing sensitive identifiers with contextually accurate synthetic values so your data stays useful for research, collaboration and AI training.

Limina Launches Contextual Replacement, Bringing Context-Preserving Synthetic Values to Data De-identification

New hybrid capability in release 4.5 replaces sensitive identifiers with contextually accurate synthetic values, keeping de-identified data useful for research, collaboration and AI training

医療データを使ったLLMトレーニング：コンプライアンスと非識別化の要件

医療LLMのトレーニングには、臨床ナラティブテキストのHIPAA要件を満たす非識別化が必要です。取り込み前の非識別化がコンプライアンスを確保し、FDAやIRBのレビューを満たし、モデルがPHIを記憶することを防ぎます。

プライバシー保護型AI：コンプライアンスに準拠したモデルトレーニングを実現する非識別化

プライバシー保護型AIは、非識別化・差分プライバシー・連合学習・合成データを使用して、MLモデルを安全にトレーニングします。非識別化は、エンタープライズの機械学習においてデータの有用性と厳格なコンプライアンスの最適なバランスを実現します。

AIトレーニングデータのプライバシー：すべてのデータチームが知っておくべきこと

AIモデルはセンシティブなトレーニングデータを永続的に記憶し漏えいさせることがあります。本ガイドでは、推論攻撃からコンプライアンス上の落とし穴まで、重大なデータプライバシーリスクを概説し、モデルの有用性を損なうことなくパイプラインを保護するための早期非識別化について解説します。

Expert Determinationのコスト：予算策定のポイントと避けるべき落とし穴

HIPAAのExpert Determinationのコストはデータの複雑さと用途によって異なり、数千ドルから数万ドルまで幅があります。Safe Harborには事前の統計専門家費用はかかりませんが、その網羅的なアプローチは臨床データの有用性を損ないます。高品質な非識別化ツールへの上流投資が、これらのコストを最適化する最善の方法です。

PIIリダクションの精度：70%では不十分な理由

PIIリダクションの精度は、ツールがデータセット内のすべての個人識別情報を検出・除去する信頼性を測定します。実際には再現率（ドキュメント内のPIIインスタンスのうちツールが正しく識別した割合）として表されます。70%の再現率のツールは30%のPIIを見逃します。1,000件のPIIインスタンスを持つデータセットでは、300件のPIIが未検出のまま残ることになります。

データトークン化 vs PIIリダクション：ユースケース別の最適なアプローチ

データトークン化は機密値を非機密なサロゲート（トークン）に置き換え、元の値を安全なボルトに保持して復元を可能にします。PIIリダクションは機密データを永続的に除去または置換し、元に戻す手段はありません。本質的な違いは可逆性です：トークン化は元に戻すことを前提とし、リダクションはそうではありません。

非構造化データの実例：メール・PDF・チャットログに潜む見えないプライバシーリスク

多くの組織がデータベースの行の保護に注力しますが、エンタープライズリスクの80%はメール・通話トランスクリプト・PDFといった「非構造化」データの中に潜んでいます。本ガイドでは、これらのフォーマットがなぜ規制当局の新たな注目点になっているのか、そしてデータの有用性を損なうことなくどのように保護するかを解説します。

ASRトランスクリプトの非識別化方法：音声認識データに潜むPIIリスク

ASRトランスクリプトの非識別化とは、機械生成された音声の文字起こしから個人識別情報（PII）を検出・削除またはマスキングするプロセスです。ASR出力を通常の文章から区別する、固有のエラー・音声的バリエーション・ドメイン固有の用語を考慮することが求められます。

通話トランスクリプトと音声のPII削除：完全ガイド

通話トランスクリプトと音声におけるPII削除とは、録音された会話から個人識別情報を検出し、永続的に削除またはマスキングするプロセスです。音声ファイルとテキストトランスクリプトの両方が対象となり、録音をプライバシーリスクなしに保持・分析・AI学習に活用できる状態にします。

PDFからPIIを大規模に削除する方法

PDFからのPII削除とは、氏名・社会保障番号・生年月日・金融口座情報・医療記録番号といった個人識別情報を検出し、永続的に削除またはマスキングするプロセスです。これにより、ファイルを安全に保存・共有・分析できるようになります。

手動 vs. 自動PIIリダクション：それぞれのメリット・デメリットと使い分け

PIIリダクションとは何か？PIIリダクションとは、文書やデータから個人識別情報を検出し、削除または難読化することで、個人が特定されるリスクを防ぐプロセスです。手動リダクションは、人間のレビュアーが文書を一件ずつ確認する方法です。自動リダクションは、機械学習・固有表現抽出（NER）・ルールベースシステムを活用して、同じ作業を大規模に実施します。両アプローチのトレードオフを正確に理解することは、コンプライアンスに準拠した監査可能なデータ処理プロセスを構築するうえで不可欠です。

日本における金融機関の個人情報の取り扱い - 金融庁ガイドラインの要件

日本と中国における生成AIアプローチの比較

日本と中国は、それぞれ文化的価値観・政治体制・経済的野心に基づき、グローバルな生成AIの領域において異なる発展の道を歩んでいます。本記事では、各国のAI規制および開発アプローチ、そしてグローバルなデータプライバシーへの影響を解説します。