Milyli AI Redaction 登陆 Blackout，但自动化仍需人工审核

Milyli AI redaction 于 10 月 14 日登陆 Blackout，为原生 Excel、PDF 及其他文件类型新增了敏感内容自动建议功能。这次发布推动 Blackout 从基于规则的批量处理迈向可根据上下文识别信息的语言模型。不过，核心矛盾仍未解决：自动化可以减少重复审核，但遗漏的数据仍可能让个人和组织面临风险。

新系统通过 Microsoft Foundry Tools 中的 Azure Language 识别个人身份信息、特权材料及其他敏感内容。Milyli 表示，该功能现已面向 Blackout 客户开放。其价值将取决于法律团队能否在不重建自动化原本要减少的人工工作量的前提下，核验这些建议。

这种张力让 Blackout 处于两种成熟方法之间。传统脱敏依赖审核人员、搜索词和正则表达式。较新的 AI 系统则可对固定规则可能遗漏的姓名、标识符及上下文关系进行分类。Microsoft 自身也警告称，自动 PII 检测会产生误报和漏报，因此在高风险情形中，人工监督仍至关重要。

Blackout 现可跨原生文件推荐脱敏操作

此次发布改变的是 Blackout 发现敏感数据的方式，而非决定哪些内容必须被移除的法律责任。

根据 Milyli 的发布公告，Blackout 现利用自然语言处理和实体提取来推荐脱敏操作。该系统面向文档集中的 PII、特权通信和其他敏感信息。

自动建议是本次更新中影响最深远的部分。审核人员在开始搜索前，无须了解每一种拼写、格式变体或上下文短语。软件可以根据敏感实体周围的语言提出建议。

随后，Blackout 会通过其现有的标注和脱敏工作流应用这些发现。这个区别很重要，因为检测敏感文本与永久移除它是两项不同的操作。模型可以识别出可能的银行账号，而脱敏系统则控制如何标记、审核、审计和交付该内容。

Milyli 表示，此次发布支持数十种文件格式。原生 Excel 获得了特别关注，因为电子表格包含的结构常常会被普通文档处理流程扁平化或忽略。一个工作簿可能包含公式、隐藏工作表、批注、图表、嵌入对象、页眉以及单元格内的部分文本。

在 AI 发布前，Blackout 已能处理这些结构。其文档化的电子表格工作流会在审核人员添加标注前，通过显示隐藏内容并移除可恢复的更改历史来准备工作簿。它还支持对单元格、行、列、工作表、图表和对象进行脱敏。

因此，AI 层并非从零开始创建原生 Excel 脱敏能力。它通过在既有电子表格控制机制中加入基于上下文的建议，改变了识别阶段。与将此次发布描述为完全自主的脱敏系统相比，这种说法更准确。

PDF 工作流遵循类似模式。Blackout 可以对可搜索 PDF 应用自动标注，并对可搜索或基于图像的文件应用手动标注。新的 AI 能力扩展了在交付前识别可能敏感内容的方式。

即时可用性也让此次发布区别于未来路线图公告。现有客户可以针对正在进行的审核文档集评估这项功能。Milyli 尚未公开披露新功能的采用数据、独立准确率结果或客户基准。

这些缺失的数据限制了在发布当天能够得出的结论。此次发布确认了一项产品变化及其技术基础，但尚未证明该系统在真实法律事务中能节省多少审核时间。

为什么 Milyli AI Redaction 对原生 Excel 至关重要

原生 Excel 支持将一项抽象的 AI 功能变成了一场检验：自动化能否在移除敏感内容的同时保留复杂证据。

许多脱敏产品最适合处理渲染后的页面。电子表格并不像固定页面那样运作。其含义可能取决于公式、单元格关系、隐藏字段、工作簿标签、批注，以及位于可见网格之外的对象。

将工作簿转换为图像或 PDF 页面可以让脱敏结果更易展示，但也可能失去交互性、改变分页、分离公式与数值，并使后续分析更加复杂。原生处理旨在保留有用的结构，同时修改不得披露的内容。

这让自动敏感数据保护变得远不只是画几个黑色矩形。系统必须定位实体，将其映射到正确的工作簿元素，保留周边数据，并为该操作创建可辩护的记录。它还必须防止被移除的信息在其他位置仍可恢复。

一个联系人姓名可能出现在可见单元格、隐藏行、图表标签和公式引用中。固定关键词搜索可以找到完全匹配项，但可能遗漏昵称、格式差异或需要结合上下文理解的标识符。AI 分类器可以扩大检测范围，但范围扩大也可能增加无关建议。

Milyli 与 Azure Language 的集成解决的是分类问题。Microsoft 的PII 检测可返回实体类别、置信度分数和脱敏输出。支持的类别包括姓名、地址、金融标识符、政府标识符以及部分健康信息。

置信度分数很有用，但不能证明某项建议一定正确。团队必须决定哪些分数触发自动操作，哪些分数创建审核任务，哪些应被忽略。正确阈值因文档类型、实体类别和披露风险而异。

较低阈值可以捕获更多可能的 PII，减少漏报，但也会产生更多误报，可能遮蔽相关证据或扩大审核队列。较高阈值可以减少噪声，却可能让含义模糊的敏感信息漏过。

Excel 使这种校准尤其困难。一串数字可能代表账号、内部项目代码，或普通计算结果。周围单元格的上下文或许能明确其含义，但电子表格布局通常以视觉而非语法方式编码上下文。

同样的问题也会影响特权内容。律师姓名和法律术语有助于识别通信内容，但它们的存在并不会自动使每份文件都享有特权。特权通常取决于参与者、目的、主题和司法辖区。

Blackout 的潜在优势在于其将建议与标注连接起来。法律团队可以在一个工作流中完成检测、审核人员决策、原生脱敏和审计历史。这减少了可能引入规则不一致或记录脱节的交接环节。

这也给仅返回实体列表的独立检测工具带来压力。企业买家日益需要一条从识别、审核到交付的运营链路。实用的模型输出必须转化为受控的文档操作。

更广泛的启示并不限于 eDiscovery。当敏感技术文档进入可搜索系统时，构建本地知识库的组织也会面临类似问题。分类有所帮助，但访问控制和审核政策仍决定受保护的信息能否真正得到保护。

上下文 AI 对基于规则的脱敏提出挑战

Blackout 的主要对手并非另一款产品，而是“固定规则足以实现可辩护的批量脱敏”这一既有观念。

基于规则的脱敏仍然很有价值，因为其行为相对容易解释。团队可以搜索精确短语、已知标识符或正则表达式模式。审核人员可以记录规则并复现其结果。

Blackout 已支持使用术语、短语和正则表达式开展批量电子表格项目。Milyli 的文档还允许为图像、Excel 和 PDF 项目导入大量规则。当团队确切知道需要移除哪些模式时，这些工具依然适用。

社会保障号码体现了规则的优势。即使空格或连字符有所不同，其格式仍遵循可识别的模式。信用卡号码、电子邮件地址和特定案件中的姓名，也可以通过精心构建的搜索获得良好效果。

弱点会在敏感信息不遵循稳定模式时显现。拼写错误、标点不一致、部分姓名、外国标识符、叙述性描述和不常见布局，都可能使精确匹配失效。随着文档集引入新的变体，规则维护成本也会增加。

上下文实体识别改变了搜索问题。系统不再询问字符串是否符合预先设定的格式，而是询问该字符串在周围文本中扮演什么角色。这可以发现审核人员在建立规则列表时未曾预料到的材料。

Milyli AI redaction 将这些上下文建议与 Blackout 现有控制机制结合。这形成的是混合模型，而不是对规则的彻底替代。已知模式可以继续保持确定性，而 AI 层则搜索较难预测的实例。

这种混合结构可能比将 AI 与规则视为互斥选项更实用。法律团队可以用规则处理稳定标识符，用 AI 进行上下文发现，并由人工审核人员作出模糊情形下的决定。每一层都应对不同的失效模式。

这种方法也反映了法律科技领域的竞争压力。Relativity 推广用于数据主体访问请求的自动脱敏，其中包括 AI 辅助的个人数据识别和审计追踪。其更广泛的平台还将收集、审核、脱敏和交付整合在同一环境中。

Milyli 与 Relativity 的关系让简单的公司对公司比较变得复杂。Blackout 长期以来一直在 Relativity 工作流中运行。2026 年 9 月，Relativity 宣布 Blackout 将成为作为 RelativityOne 标准功能的 RelativityOne Redact。

因此，Milyli 的 AI 公告强化了一条与 Relativity 自身 AI 方向重叠的工作流。竞争问题不再主要是直接对抗，而是何种检测和审核体验将成为法律团队的默认界面。

其他审核平台也提供自动 PII 检测、批量脱敏或辅助审核。买家将比较覆盖范围、可审计性、部署边界和原生文件处理能力，也会考察在交付前修正结果的便利程度。

在这一对比中，原生 Excel 支持仍是 Milyli 最明确的差异化优势。其遮盖历史早于新的 AI 层，为该公司修改复杂工作簿提供了成熟机制。如今，Azure 集成则为该机制增加了上下文检测能力。

不过，仅凭功能广度无法决定胜负。若推荐系统产生过多噪声，可能增加审核成本；若系统过于保守、遗漏罕见实体，则可能带来信息披露风险。真正重要的是运营平衡，而非 AI 标签。

自动化敏感数据保护面临准确性难题

AI 可以加快初步处理，但代价最高的遮盖失误通常是系统从未标记出的敏感内容。

误报是可见的，它们会以不必要的推荐形式出现，审核人员可以将其驳回。漏报则更难发现，因为当系统未能识别敏感内容时，不会发出任何警告。

这种不对称性在诉讼、调查、隐私请求和监管材料提交中尤为重要。不必要的遮盖可能隐藏相关信息并需要纠正；而遗漏的身份标识符或受特权保护的陈述，则可能使组织无法挽回已经发生的信息披露。

Microsoft 的负责任 AI 指南明确警告，不应在无人监督的情况下进行高风险遮盖。该指南指出，失误可能使个人面临身份盗用或其他伤害，并建议进行谨慎的人类监督。

Microsoft 还指出，误报和漏报都会发生。置信度阈值能够改变两者之间的平衡，但没有一个通用阈值能解决所有使用场景。团队需要使用自身的语言、格式和实体类别进行接近生产环境的测试。

这种谨慎态度应影响买家对 Milyli 公告的解读。自动化遮盖推荐并不会消除人工审核，而是将审核工作重组为围绕机器生成的候选项和例外情况展开。

设计良好的工作流仍然可以节省时间。审核人员可以减少定位明显 PII 的精力，将更多精力用于评估模糊或影响重大的材料。在团队验证系统行为后，批量审批可以处理重复出现的模式。

然而，Milyli 尚未公布新版本独立的召回率、精确率或漏报测量结果。召回率衡量系统找到了多少相关敏感内容；精确率衡量推荐内容中真正相关的比例。

这两个指标都需要结合具体背景来看待。干净文本上的结果无法预测扫描文档、损坏文件、非常规电子表格或多语言集合中的表现。汇总得分也可能掩盖系统在罕见但高风险类别上的薄弱表现。

语言覆盖尤其值得审视。Microsoft 的能力与限制会因服务版本、功能、语言和实体类型而异。Blackout 客户应核实 Milyli 实施方案背后的具体 Azure 配置，而不是假定覆盖范围完全一致。

数据处理也带来了另一个问题。必须先处理敏感文档，才能检测其中的敏感元素。买家需要获得关于数据位置、保留、日志记录、加密、访问控制和模型训练政策的明确答复。

Microsoft 记录了安全 Azure Language 部署的配置选项，包括围绕诊断存储的控制措施。Milyli 的公告强调企业级安全性和可审计性，但并未提供 Blackout 集成的详细公开架构。

受特权保护的材料带来另一类风险。PII 检测依赖可识别的实体类别；而特权分类需要法律语境，并且可能因案件而异。推荐可以协助审核人员，但不能成为最终的法律认定。

因此，团队应区分三项操作。检测提出值得关注的内容；审核决定内容是否需要保护；遮盖则在保留经授权原件的同时，永久修改对外披露的版本。

审计日志将这些操作串联起来。可辩护的系统应记录推荐内容、审核人员决定、所涉及的规则或模型、标记操作以及最终提交状态。当其他方对该流程提出质疑时，这些记录就会变得重要。

NIST 的去标识化指南进一步强调，治理不能止于技术性移除。该指南将去标识化视为一个受管理的过程，涉及披露风险、数据使用和审核，而非单一的软件操作。

此次发布公告并不能证明 Blackout 能够在每个文件中安全移除所有类别的敏感信息。它证明的是，系统新增了由 Azure Language 支持的推荐层。客户必须根据自身的法律和安全要求验证由此形成的工作流。

真正的竞争在于审核工作，而非模型品牌

如果 Blackout 能够在不削弱遮盖可辩护性所依赖控制力的前提下，降低总体审核工作量，Milyli 就会成功。

AI 产品公告通常聚焦于模型能力，而遮盖产品的买家关心的是更广泛的系统。他们需要可预测的接收流程、准确的检测、可管理的审核队列、可靠的标记、安全的处理方式以及可复现的提交结果。

模型本身可能表现良好，但整体工作流仍可能失败。推荐内容可能缺少足够的上下文；审核人员可能难以批准或撤销这些推荐；原生文件可能保留可见标记未覆盖的隐藏内容。

Blackout 已通过文档准备和原生标记控制解决了若干下游问题。其电子表格工作流可在遮盖前显示隐藏的行、列和工作表，也可以移除可能恢复受保护信息的修订历史。

这些控制措施很重要，因为视觉隐藏并不总是真正的遮盖。覆盖在文本上的黑色形状可能使底层内容仍可搜索或恢复。提交工作流必须在输出中移除或替换受保护的信息。

当 AI 版本在不削弱审核人员控制权的前提下接入现有流程时，才能创造价值。推荐应展示检测到了什么、为何被分类以及出现位置。审核人员应能接受、拒绝或细化相关操作。

一致性是另一项潜在收益。大型案件通常将工作分配给许多审核人员，而不同人员可能对指示有不同理解。集中式推荐规则和阈值可以减少团队之间的差异。

但一致性也可能复制系统性错误。如果模型反复遗漏某个特定标识符，每一位依赖其推荐的审核人员都会继承同一盲点。抽样和质量控制必须测试未被标记的内容，而不仅是已获批准的推荐。

最强的实施方案会结合多重保障措施。团队可以保留针对已知模式的确定性搜索，使用 AI 推荐进行上下文发现，并对未收到任何推荐的文档进行抽样。升级规则可将高风险类别转交给专业审核人员。

客户还应比较初步审核节省的时间与验证结果所花费的时间。如果质量控制的扩张足以抵消初步处理速度的提升，更快的第一轮审核就没有帮助。相关衡量标准是直至最终提交的总工作量。

Milyli 尚未发布这些运营基准，也没有披露客户如何调整实体类别、阈值、排除项或案件特定词汇。这些控制将决定系统能否适应真实的数据集合。

集成深度最终可能比 Azure 品牌更重要。法律团队已经可以使用通用实体识别服务。Blackout 的主张是，检测应属于原生遮盖工作流的一部分，使推荐能够转化为可审计的操作。

这一定位具有可信度，因为电子表格和材料提交具有专门要求。通用 AI 服务能够识别文本实体，但法律软件还必须维护保管链、权限、标记历史和输出完整性。

因此，此次发布促使买家将 AI 遮盖视为一种工作流，而非一个勾选项。它也促使供应商披露的不只是支持的格式。客户需要关于检测质量、审核负担、安全边界和纠正路径的证据。

Blackout AI 发布后值得关注的事项

三个信号将表明 Milyli AI 遮盖会成为运营改进，还是仅停留在吸引人的产品主张。

第一个信号是来自实际案件的客户证据。Milyli 应发布案例研究，说明数据集合规模、文件构成、审核程序、精确率、召回率以及直至提交的总耗时。结果需要足够详细，买家才能判断部署是否与自身工作相似。

原生 Excel 的证据值得特别关注。一项有价值的评估应包括隐藏内容、公式、评论、图表、对象、非常规布局和部分单元格遮盖。简单工作表无法检验此次发布背后最具挑战性的主张。

积极结果将强化 Milyli 的论点：上下文检测能够改进成熟的原生文件工作流。若结果薄弱或表述范围狭窄，则可能表明该功能最适用于普通文本，而这一领域已有许多竞争方案。

第二个信号是产品的控制界面。客户需要了解 Blackout 如何呈现置信度评分、类别选择、排除项、阈值、批量决策和验证样本。清晰的控制项将使 Azure 集成能够适应不同的风险容忍度。

缺少这些控制将削弱自动化的论据。法律团队无法将每个案件一视同仁。隐私请求、内部调查、监管申报和诉讼材料提交，对敏感内容的定义可能各不相同。

买家还应关注 Blackout 如何处理模型更新。随着 Microsoft 发布新版本，依赖服务的分类器可能发生变化。Milyli 需要提供一种方式来记录版本、评估变化，并在长期案件中保持可复现性。

第三个信号是 Relativity 如何定位重叠的遮盖功能。Blackout 过渡至 RelativityOne Redact，使这项技术拥有了庞大的分发路径。与此同时，Relativity 仍在持续扩展自身的 AI 辅助隐私和审核产品。

更紧密的集成将强化这样一种论点：Milyli 的功能应属于核心审核环境。功能重叠不清、独立的配置系统或重复推荐都会增加采用阻力。

竞争对手的回应也将进一步说明市场状况。供应商可以通过更好的原生格式支持、更透明的评估、更强的私有部署能力或更低的审核负担来回应。最有意义的回应将着眼于工作流证据，而非为现有搜索工具贴上 AI 品牌。

对于用户而言，实际的下一步是进行受控测试。构建一个具有代表性的数据集，其中包括已知 PII、受特权保护的段落、电子表格边缘案例以及不含敏感内容的文档。衡量系统找到了什么、遗漏了什么，以及验证需要多长时间。

Milyli AI 遮盖值得关注，因为它将上下文检测与成熟的原生文件工作流结合起来。它并不能消除对审核人员、安全控制或质量保证的需求。应询问自动化是否在保持可辩护性的同时降低总体工作量，并要求提供来自与自身文档相似材料的证据。