Incollate in ChatGPT senza far trapelare i dati dei vostri clienti
Premete «Redact» e guardate nomi, indirizzi, numeri di conto e di documento diventare barre nere, in sei lingue. Li trova un piccolo modello nel vostro browser; nulla di ciò che scrivete lascia questa pagina.
La demo richiede JavaScript. Il modello si scarica una volta sola, 38 MB; il vostro browser lo conserva.
Provate un altro esempio o incollate un vostro testo. Il modello legge inglese, polacco, tedesco, francese, spagnolo e lituano; tutti i nomi e i numeri degli esempi sono inventati.
98% vs 95%Dei dati personali in 60 messaggi scritti a mano, quelli individuati; un LLM aperto 200 volte più grande ha individuato il 95%.
Nulla lascia il vostro browserIl testo viene controllato in questa pagina. Per il vostro team funziona sui vostri server.
18 msPer messaggio su una CPU comune. L'LLM ha impiegato mezzo secondo per messaggio su una GPU.
Come funziona
DatiNessun dato personale reale. Un LLM aperto locale ha scritto 2.074 e-mail, messaggi di chat, note di chiamata, contratti e moduli in sei lingue, con spazi vuoti al posto dei dati. Gli spazi sono riempiti con nomi, indirizzi e numeri inventati con cifre di controllo valide, dodici volte ciascuno, così ogni parola ha un'etichetta esatta.
ModelloI primi 12 dei 22 strati di mmBERT-small, addestrati a marcare le parole di nomi, indirizzi e date di nascita: 36 MB di pesi più un vocabolario di 1.6 MB. I 60 messaggi di test scritti a mano provengono dallo stesso autore dei prompt per i testi di addestramento, quindi il 98% è un limite superiore.
RegoleI numeri con una forma fissa sono trovati da regole e tenuti solo se le cifre di controllo tornano: IBAN, carte di pagamento, PESEL e i numeri d'identità nazionali di Germania, Francia, Spagna, Lituania e Regno Unito, indirizzi e-mail e numeri di telefono. Da sole individuano il 39% dei dati; modello e regole insieme il 98%.
Confronto con un LLMQwen 2.5 7B, a cui è stato chiesto di elencare ogni dato personale, ne ha individuato il 95% e ha mancato soprattutto i nomi con cui sono firmati i messaggi, con mezzo secondo per messaggio su una GPU. Un LLM in hosting dovrebbe prima ricevere il testo, ed è proprio la fuga di dati che questo deve impedire.
Codice, configurazioni e benchmark completo: github.com/balticml/pii-redaction. Pesi: huggingface.co/balticml/mmbert-small-pii-redaction. Lo volete davanti agli strumenti di IA del vostro team? Prenotate una chiamata di 30 min