End-to-end анонимизация: от поиска сущности до согласованной подстановки — практический разбор системы, которую мы используем для превращения персональных (sensitive) данных в обезличенные (insensitive) и подготовки датасетов для обучения. Покажу реальные архитектурные решения: как мы находим ПД в тексте, какие модели и данные применяем, и как работает генерация подстановок с морфосинтаксической адаптацией, сохраняющая целостность документа. Расскажу о встраивании инструмента в процессы компании через ClearML-пайплайн и о боевом опыте применения анонимизатора. В конце обсудим технические ограничения, подходы к валидации замен и опции кастомизации под разные сценарии.