Péguelo en ChatGPT sin filtrar los datos de sus clientes
Pulse Redact y vea cómo nombres, direcciones, números de cuenta y de identidad se convierten en barras negras, en seis idiomas. Un pequeño modelo en su navegador los encuentra; nada de lo que escribe sale de esta página.
La demo necesita JavaScript. El modelo se descarga una sola vez, 38 MB; su navegador lo conserva.
Pruebe otro ejemplo o pegue su propio texto. El modelo lee inglés, polaco, alemán, francés, español y lituano; todos los nombres y números de los ejemplos son inventados.
98% frente a 95%De los datos personales de 60 mensajes escritos a mano, detectados; un LLM abierto 200 veces más grande detectó un 95%.
Nada sale de su navegadorEl texto se revisa en esta página. Para su equipo funciona en sus propios servidores.
18 msPor mensaje en una CPU corriente. El LLM necesitó medio segundo por mensaje en una GPU.
Cómo funciona
DatosNingún dato personal real. Un LLM abierto local escribió 2074 correos, mensajes de chat, notas de llamadas, contratos y formularios en seis idiomas, con huecos donde van los datos. Los huecos se rellenan con nombres, direcciones y números inventados con dígitos de control válidos, doce veces cada uno, de modo que cada palabra tiene una etiqueta exacta.
ModeloLas primeras 12 de las 22 capas de mmBERT-small, ajustadas para marcar las palabras de nombres, direcciones y fechas de nacimiento: 36 MB de pesos más un vocabulario de 1.6 MB. Los 60 mensajes de prueba escritos a mano son del mismo autor que los prompts de los textos de entrenamiento, así que el 98% es un límite superior.
ReglasLos números de forma fija se encuentran con reglas y solo se conservan si sus dígitos de control cuadran: IBAN, tarjetas de pago, PESEL y los números de identidad nacionales de Alemania, Francia, España, Lituania y el Reino Unido, direcciones de correo y números de teléfono. Solas detectan el 39% de los datos; modelo y reglas juntos, el 98%.
Comparado con un LLMQwen 2.5 7B, al que se pidió listar cada dato personal, detectó un 95% y falló sobre todo en los nombres con que se firman los mensajes, a medio segundo por mensaje en una GPU. Un LLM alojado tendría que recibir primero el texto, que es justo la fuga que esto pretende evitar.
Código, configuraciones y el benchmark completo: github.com/balticml/pii-redaction. Pesos: huggingface.co/balticml/mmbert-small-pii-redaction. ¿Quiere esto delante de las herramientas de IA de su equipo? Reservar una llamada de 30 min