Cenzor

Wycina dane osobowe z dokumentu, zanim wyślesz go do ChatGPT, Claude albo innego modelu. Działa w całości na Twoim komputerze — żaden plik nie wychodzi do sieci.

Po powrocie odpowiedzi wstawia prawdziwe nazwiska z powrotem, więc pracujesz normalnie, a model nigdy nie widzi danych Twoich klientów.

"Umowa z Janem Kowalskim, PESEL 85010112345"
        ↓
"Umowa z [OSOBA_1], PESEL [PESEL_1]"     ← to wysyłasz do modelu
[OSOBA_1] = Jan Kowalski                  ← to zostaje na Twoim dysku
        ↓
"Jan Kowalski ma zapłacić do 15 marca"    ← odpowiedź po podmianie z powrotem

Dla kogo

Dla każdego, kto ma w dokumentach cudze dane i chce korzystać z AI, nie łamiąc RODO: księgowość, kancelarie, dział kadr, biura rachunkowe, agencje. Nie musisz umieć programować — jest okno w przeglądarce, do którego przeciągasz plik myszką.

Instalacja

Potrzebujesz Pythona 3.10 lub nowszego. Reszta instaluje się sama.

Mac i Linux — w terminalu:

git clone https://github.com/studiogo/cenzor.git
cd cenzor
./instaluj.sh
venv/bin/python okno/serwer.py

Windows — w PowerShellu (Start → wpisz „PowerShell"):

git clone https://github.com/studiogo/cenzor.git
cd cenzor
powershell -ExecutionPolicy Bypass -File .\instaluj.ps1
venv\Scripts\python okno\serwer.py

Trzecia linijka pobiera model języka polskiego (574 MB), więc chwilę to trwa. Ostatnia otwiera okno narzędzia w przeglądarce — o nim niżej.

Windows: dwie rzeczy, które potrafią stanąć na drodze

Nie masz gita. Pierwsza linijka wtedy nie zadziała. Wejdź na stronę repozytorium, kliknij zielony przycisk „Code", wybierz „Download ZIP" i rozpakuj pobrany plik — powstanie katalog cenzor-main. Otwórz go w Eksploratorze plików, kliknij pasek adresu u góry, wpisz powershell i naciśnij Enter. PowerShell otworzy się już w tym katalogu, więc dwie pierwsze linijki pomijasz i zaczynasz od trzeciej.

Wpisujesz python, a otwiera się Sklep Windows. To znaczy, że Pythona nie ma — Windows podstawia pod tę nazwę skrót do sklepu. Pobierz Pythona z python.org, przy instalacji zaznacz „Add python.exe to PATH", zamknij PowerShell, otwórz go na nowo i uruchom instalator jeszcze raz. Wersji ze sklepu nie instaluj. Sam instalator sprawdza kandydatów na Pythona, uruchamiając każdego z nich, więc skrót do sklepu odrzuca i szuka dalej — zaczyna od uruchamiacza py, który python.org dokłada zawsze.

Pierwsze uruchomienie

Ostatnia linijka z instalacji otwiera okno w przeglądarce — przeciągasz plik, widzisz, co zniknie, pobierasz wynik. Kolejne razy uruchamiasz je tak samo:

venv/bin/python okno/serwer.py                # Mac i Linux

venv\Scripts\python okno\serwer.py            # Windows

Otworzy się http://127.0.0.1:8765. Serwer słucha wyłącznie na Twoim komputerze i nie da się go wystawić na sieć — to nie niedoróbka, tylko sedno narzędzia.

Wiersz poleceń, jeśli wolisz:

venv/bin/python bin/anonimizuj.py umowa.pdf --jezyk pl --podglad   # co zniknie
venv/bin/python bin/anonimizuj.py umowa.pdf --jezyk pl             # wytnij
venv/bin/python bin/odwroc.py odpowiedz.txt umowa-anon-slownik.json

Na Windowsie te same polecenia, tylko Python leży gdzie indziej:

venv\Scripts\python bin\anonimizuj.py umowa.pdf --jezyk pl --podglad
venv\Scripts\python bin\anonimizuj.py umowa.pdf --jezyk pl
venv\Scripts\python bin\odwroc.py odpowiedz.txt umowa-anon-slownik.json

Co rozpoznaje

Sam się potwierdza cyfrą kontrolną — PESEL, NIP, REGON, numer dowodu osobistego, paszport, numer księgi wieczystej, numer prawa wykonywania zawodu lekarza, IMEI telefonu. Tu nie ma zgadywania: numer, który nie przechodzi sprawdzenia, nie jest wycinany.

Rozpoznawany po kształcie — KRS, kod pocztowy, numer rejestracyjny pojazdu, numer konta, adres e-mail, adres sieciowy, klucze do systemów, numer recepty, identyfikator działki ewidencyjnej.

Wycinany tylko przy słowie obok — VIN (przy „VIN" albo „nr nadwozia"), prawo jazdy, numer producenta rolnego, numer BDO, karta pobytu, telefon (przy „tel", „fax", „kom" albo z przedrostkiem +48). Bez tego warunku każda kwota w sprawozdaniu budżetowym wyglądałaby jak numer telefonu — sprawdziliśmy to pomiarem i tak właśnie było.

Nazwiska, nazwy firm, instytucji i miejscowości — modelem języka polskiego, który rozpoznaje je po tym, jak stoją w zdaniu, także w odmianie.

Przyjmuje PDF, Word (.docx), OpenDocument (.odt) i zwykły tekst. Format rozpoznaje po zawartości, nie po rozszerzeniu.

Ile z tego działa

Zmierzone na 324 057 słowach polskich pism urzędowych z Biuletynów Informacji Publicznej, w dwóch osobnych zestawach. Drugi zestaw zebraliśmy po zakończeniu prac, więc narzędzie nie widziało tych dokumentów, gdy powstawały jego reguły.

co	wynik
PESEL, NIP, REGON, konto, telefon, kod pocztowy	100%
pełne nazwiska na dokumentach niewidzianych	98,9%
odwracalność (tekst odtworzony co do znaku)	20 na 20 dokumentów

Przez oba zestawy przeszło jedno prawdziwe nazwisko na 287.

Sprawdziliśmy to jeszcze raz na cudzym materiale, żeby nikt nie zarzucił nam mierzenia własną miarką: 98,1% pełnych nazwisk na części testowej korpusu KPWr Politechniki Wrocławskiej, gdzie nazwiska oznaczyli ludzie, a nie maszyna (blogi i teksty prasowe, 75 696 słów, licencja CC BY 3.0).

Numery sprawdzamy osobno, bo prawdziwych PESEL-i nikt nie publikuje: budujemy je z policzoną cyfrą kontrolną i wkładamy w zdania z pism. Wykrywanych 23 na 23 rodzaje, a na 323 tysiącach słów pism urzędowych, w których takich numerów nie ma, jeden fałszywy alarm.

Liczymy pełne nazwiska, czyli „imię plus nazwisko". Jest jeszcze miara szersza — wszystko, co model języka uzna za osobę — i tam wychodzi 91,6% oraz 84,2%. Ta miara bierze za osobę także nazwy ulic („Krasińskiego"), przymiotniki od powiatów („Pułtuskiego") i wyrazy urwane przez łamanie wierszy w PDF („Departamen"). To nie są dane osobowe, więc im więcej takiego szumu w dokumencie, tym niżej ta liczba spada — i tym mniej mówi.

Pomiar możesz powtórzyć u siebie — pomiar/WYNIKI.md opisuje sposób liczenia, a pomiar/pobierz.py ściąga te same dokumenty z BIP-ów. Dokumentów nie ma w repozytorium: są w nich nazwiska prawdziwych ludzi.

Sprawdź, czy nic nie jest zepsute

venv/bin/python -m pytest test/ -q            # Mac i Linux

venv\Scripts\python -m pytest test/ -q        # Windows

33 sprawdzenia: czy sumy kontrolne odsiewają podrobione numery, czy każdy rodzaj numeru znika ze zdania, czy kwota i data zostają nietknięte, i czy z pliku z kluczem da się odtworzyć oryginał co do znaku. Te same testy uruchamiają się same przy każdej zmianie w repozytorium, na Linuksie i na Windowsie — na Windowsie razem z instalatorem i próbą wycięcia na przykładzie.

Jak wypadamy na tle innego polskiego narzędzia

Polskich narzędzi do tego samego jest kilka. Najdalej zaszedł Parawan i pod jednym względem bije nas na głowę: to jeden plik HTML, który otwierasz podwójnym kliknięciem. Bez instalacji, bez Pythona, bez modelu do pobrania — działa nawet na komputerze z firmowymi blokadami. Nasze narzędzie wymaga instalacji i pół gigabajta modelu języka.

Przepuściliśmy oba przez te same 19 dokumentów i zmierzyliśmy tym samym przyrządem (4 września 2026, Parawan w wersji z wydań z tego dnia):

co mierzymy	Cenzor	Parawan
pełne nazwiska, 286 sztuk	99,0% wyciętych	82,5% wyciętych
wszystko, co model języka uznał za osobę, 556	86,3%	48,7%
kod pocztowy	100%	100%
PESEL (jeden w zestawie)	wycięty	został

Różnica bierze się z metody. Parawan rozpoznaje dane wzorcami i listami — dlatego mieści się w jednym pliku. My używamy modelu języka polskiego, więc łapiemy nazwisko w odmianie i takie, którego nie ma na żadnej liście. Na numerach o ustalonej budowie idziemy równo.

Powtórz ten pomiar sam: pomiar/pobierz.py ściąga dokumenty, pomiar/kontrola.py liczy. Sposób liczenia opisuje pomiar/WYNIKI.md.

Czego to nie załatwia

Nie chroni przed rozpoznaniem po treści. Wycięcie nazwisk nie znaczy, że nikt nie ustali, o kogo chodzi. W protokole sesji rady gminy nazwa gminy padła 56 razy; po oczyszczeniu została dwa razy — a jedno wystarczy, żeby „Wójt [OSOBA_4]" miał tylko jedną możliwą wartość. Sprawdzaj wynik przed wysłaniem.

Skany są bezużyteczne. PDF będący zdjęciem strony nie ma w sobie tekstu. Program powie to wprost, zamiast udawać, że zadziałał.

Danych pacjentów nie anonimizuj. Rejestrów medycznych po prostu nie wyjmuj z systemu klienta.

Plik z kluczem to cały oryginał. Razem z plikiem oczyszczonym odtwarza dokument w całości. Trzymaj go tam, gdzie trzymasz sam dokument, i nie wysyłaj nigdzie.

Jak to działa w środku

Sześć warstw, dwa niezależne wykrywacze i bramka, która rozstrzyga ich spory: JAK-TO-DZIALA.md.

Użycie z Claude Code

Repozytorium jest jednocześnie wtyczką. Skopiuj katalog do ~/.claude/skills/ (na Windowsie: %USERPROFILE%\.claude\skills\) i powiedz agentowi „zanonimizuj ten plik".

Licencja

MIT — rób z tym, co chcesz.