5 Minuten Automatische KI Zusammenfassung
durch SideKick
NER – Named Entity Recognition – ist seit der Geburtsstunde von SideKick.ki eines der zentralen Alleinstellungsmerkmale. Die Idee: Bevor ein Prompt oder ein Dokument ein KI-Modell erreicht, wird alles Schützenswerte automatisch erkannt und pseudonymisiert. Namen, Orte, Unternehmen, E-Mail-Adressen, Telefonnummern – all das wird durch neutrale Platzhalter ersetzt, das KI-Modell verarbeitet nur den anonymisierten Text, und auf dem Rückweg wird alles wieder entschlüsselt. Für den Nutzer unsichtbar, für den Datenschutz entscheidend.
Das Projekt startete am 26. Juli 2023 – ursprünglich für Team David, als KI erstmals in das Mailprogramm einzog. Damals war NER ein neues Thema, auch intern. Inzwischen ist es laut Marvin einer der häufigsten Kaufgründe für SideKick.ki. NER 2.0 bringt mehrere konkrete Verbesserungen: Die Infrastruktur wurde grundlegend getrennt – Modell und Anfragen laufen jetzt getrennt voneinander, was deutlich bessere Skalierbarkeit bringt. Viele Anfragen gleichzeitig? Einfach eine weitere Instanz danebenstellen. Dazu kommt eine verbesserte Erkennungsrate, eine überarbeitete Verarbeitungslogik für lange Chats und – als lang gefordertes Feature – die Pseudonymisierung von hochgeladenen Dateien. PDFs und Word-Dokumente werden in Text umgewandelt, anonymisiert und als Textdatei wieder bereitgestellt, inklusive sichtbarer Anzeige der anonymisierten Werte. Neu ist außerdem die NER-Unterstützung für MCP-Schnittstellen. Wer SideKick.ki z.B. mit Team David verbindet und fragt, was Marvin zuletzt geschrieben hat, läuft ohne NER-Integration in ein Problem: Aus Marvin wird intern Peter – und die Mail wird nicht gefunden. Die neue Lösung: Administratoren können pro MCP-Server steuern, ob Daten vor dem Weiterleiten deanonymisiert und auf dem Rückweg wieder anonymisiert werden. Der Datenfluss bleibt vollständig unter Kontrolle. Zu den Zahlen: Die aktuelle Erkennungsrate liegt bei einer Präzision von 83,3 % und einem Recall von 67,7 %, was einen F1-Score von 74,4 % ergibt – vergleichbar mit dem besten Ergebnis aus einem wissenschaftlichen Wettbewerb der Universität Hamburg (77 %). Genauere Modelle existieren, sind aber langsamer – bei einem Echtzeit-Chatsystem ein entscheidender Nachteil. Als nächste Schritte stehen weitere Modellvergleiche an, darunter der OpenAI Privacy Filter – der besser bei festen Mustern wie Bankdaten abschneidet, aber GPU-Ressourcen benötigt. Langfristig denkt Luca auch über nutzerdefinierte Entitätstypen nach: Wer in einer Arztpraxis arbeitet, braucht andere Schutzregeln als eine Schule. | 
