УРОВЕНЬ 01
Detection & Tokenization
Ловим ФИО, телефоны, email, паспорта РФ, ИНН, ОГРН, СНИЛС, номера счетов. Заменяем на плейсхолдеры, храним маппинг локально.
Работает для 80% сценариев в LOOP, ECHO, ATLAS, MOONLIGHT.
Ваши данные не уходят в облако сырыми. Локальный шлюз маскирует персональные данные до отправки в LLM и расшифровывает ответ обратно на вашей стороне.
Не отдельный продукт. Часть каждого DNSHN-модуля.
Когда LOOP анализирует сделки — в облако не летят ФИО клиентов. Когда ECHO отвечает — модель видит «клиент №4713», а не Марию Соколову. Когда ATLAS обогащает ICP — названия ваших целевых компаний не оседают в чужих контекстных окнах.
Это происходит без вашего участия: GATE стоит слоем между продуктами DNSHN и провайдерами LLM (Claude, OpenAI). Он ловит персональные данные в тексте и таблицах, заменяет на плейсхолдеры, а после ответа модели — раскладывает всё обратно на своей стороне.
amoCRM, Sheets, Директ — как у вас есть. Ничего не переносим.
ФИО, телефоны, email, паспорта, ИНН, суммы — в плейсхолдеры. Ключ маппинга — локально у вас.
Claude/OpenAI видит структуру задачи, не видит содержимого. Обучающая выборка — тоже не видит.
Ответ модели GATE читает у вас, подставляет обратно ФИО и суммы, отдаёт продукту DNSHN.
Клиент: Мария Соколова Телефон: +7 903 555-11-22 Сумма сделки: 342 000 ₽ Комментарий: перенесла оплату на следующий понедельник.
Клиент: [PERSON_1] Телефон: [PHONE_1] Сумма сделки: [MONEY_1] ₽ Комментарий: перенесла оплату на следующий понедельник.
Модель отвечает: «[PERSON_1] — вероятность отмены низкая, перенос на 3 дня в рамках нормы. Напомнить за сутки.» GATE подставляет обратно: «Мария Соколова — вероятность отмены низкая…»
Ловим ФИО, телефоны, email, паспорта РФ, ИНН, ОГРН, СНИЛС, номера счетов. Заменяем на плейсхолдеры, храним маппинг локально.
Работает для 80% сценариев в LOOP, ECHO, ATLAS, MOONLIGHT.
Суммы, CPA, бюджеты меняем на числа того же порядка. Модель может делать простые оценки; точное значение расшифровывается только у вас.
Даёт LLM понимать «крупная сделка» / «мелкая», не видя точной цифры.
Отправка сырой базы в облако с сохранением аналитической валидности. Differential privacy, secure MPC, homomorphic encryption.
Если задача правда такая — вам нужен on-prem LLM, не gateway. Скажем сразу.
Табличные данные с ясной структурой: сделки, лиды, оплаты, кабинет Директа. LLM отвечает на конкретный вопрос — ответ содержательный.
Переписка с клиентами: имена и телефоны маскируются, содержание сохраняется — ECHO отвечает по бренд-гайду, не зная, кому именно.
Свободные рассуждения о личности («что за клиент, как продавать»). Модель без имени теряет пол, роль, эмоциональные признаки. Ответ становится усреднённым.
Точная арифметика на замаскированных суммах: «просуммируй колонку» даст порядок, а не точную цифру. Для аудита финансов GATE не заменит on-prem.
Не даём подписи «соответствие 152-ФЗ». Существенно снижаем поверхность утечки — но полный compliance требует on-prem LLM и юридической обвязки.
Технический слой + документация: что маскируется, что нет, где хранится маппинг, как отозвать ключи. С этим документом можно пройти security review.
Deploy — docker-compose, one command. Данные не покидают периметр клиента, кроме уже замаскированных. Ключи маппинга — на вашей стороне, мы их не видим.
За 24 часа скажем, что GATE будет маскировать в ваших данных, а что нет — с примером на реальном фрагменте (без ПДн в ответе).