/ Модель

Характеристики

Контекст
512 токенов
Параметры
136 млн
Лицензия
MIT
Архитектура
bert · dense
Опубликована
5 июл 2023

gdpr-privacy-policy-ner

Разметка токеновТекст → label4 профессии

BERT-модель для извлечения 33 категорий сущностей GDPR из политик конфиденциальности.

24скачиваний за 30 дней5лайковвеса обновлены30 июн 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

PaDaS-Lab/gdpr-privacy-policy-ner — модель семейства BERT для распознавания сущностей в текстах политик конфиденциальности. Она размечает токены по 33 классам, связанным с GDPR, включая оператора данных, обработчика данных и ответственного за защиту данных. Модель подходит для извлечения упоминаний ролей и других категорий GDPR из документов о конфиденциальности.

Модель имеет 135,5 млн параметров и контекстное окно до 512 токенов. Она опубликована в форматах PyTorch, Safetensors и TensorFlow; лицензия — MIT. Данные не уточняют поддерживаемые языки и ограничения на качество разметки.

Сценарии применения

  • извлечение оператора и обработчика данных из политики конфиденциальности
  • поиск ответственного за защиту данных в документе
  • разметка сущностей GDPR в текстах о конфиденциальности

Ограничения

Поддерживаемые языки и качество распознавания в README не описаны. Контекст ограничен 512 токенами.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Example use:

from transformers import pipeline
from transformers import AutoTokenizer, AutoModelForTokenClassification

tokenizer = AutoTokenizer.from_pretrained("PaDaS-Lab/gdpr-privacy-policy-ner", use_auth_token="AUTH_TOKEN")
model = AutoModelForTokenClassification.from_pretrained("PaDaS-Lab/gdpr-privacy-policy-ner", use_auth_token="AUTH_TOKEN")

ner = pipeline("ner", model=model, tokenizer=tokenizer)
example = "We do not knowingly collect personal information from anyone under 16. We may limit how we collect, use and store some of the information of EU or EEA users between ages 13 and 16."

results = ner(example)
print(results)

Classes:

Following are the 33 NER annotations in accordance with GDPR:

AbbreviationClass
DCData Controller
DPData Processor
DPOData Protection Officer
RRecipient
TPThird Party
AAuthority
DSData Subject
DSOData Source
RPRequired Purpose
NRPNot-Required Purpose
PProcessing
NPDNon-Personal Data
PDPersonal Data
OMOrganisational Measure
TMTechnical Measure
LBLegal Basis
CONSConsent
CONTContract
LILegitimate Interest
ADMAutomated Decision Making
RETRetention
SEUScale EU
SNEUScale Non-EU
RIRight
DSR15Art. 15 Right of access by the data subject
DSR16Art. 16 Right to rectification
DSR17Art. 17 Right to erasure ("right to be forgotten")
DSR18Art. 18 Right to restriction of processing
DSR19Art. 19 Notification obligation regarding rectification or erasure of personal data or restriction of processing
DSR20Art. 20 Right to data portability
DSR21Art. 21 Right to object
DSR22Art. 22 Automated individual decision-making, including profiling
LCLodge Complaint

Performance:

BERT model performance

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForTokenClassification
Ревизия весов
ab1fa89

0 моделей