/ Модель

Характеристики

Контекст
512 токенов
Параметры
306 млн
Лицензия
CC BY-NC-ND 4.0
Архитектура
deberta-v2 · dense
Базовая модель
mdeberta-v3-base
Библиотека
transformers
Опубликована
12 сен 2024

piiranha-v1-detect-personal-information

Разметка токеновТекст → label8 профессий

Piiranha-v1 выделяет и классифицирует 17 типов персональных данных в тексте на шести европейских языках, помогая автоматизировать обезличивание.

154 тыс.скачиваний за 30 дней249лайковвеса обновлены1 ноя 2025

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

Piiranha-v1 — дообученная модель iiiorg на базе microsoft/mdeberta-v3-base для обнаружения и классификации персональных данных в тексте. Она выделяет 17 типов PII, включая имена, адреса, электронную почту, номера телефонов, пароли, данные кредитных карт и идентификаторы. Модель предназначена для помощи в обезличивании и редактировании текстов на английском, испанском, французском, немецком, итальянском и нидерландском языках.

Архитектура — DeBERTa V2 для токеновой классификации; модель содержит 306 млн параметров и принимает до 512 токенов по метаданным. В README указан контекст длиной 256 токенов и рекомендация делить более длинные тексты на фрагменты. В карточке приведены результаты тестирования, включая F1 93,12% для классификации по 18 категориям и метрики бинарного обнаружения PII; качество зависит от типа сущности и распределения данных.

Лицензия CC-BY-NC-ND-4.0 ограничивает коммерческое использование и распространение производных версий. Предсказания могут быть ошибочными, поэтому модель следует применять как средство поддержки обезличивания, а не как гарантию полного удаления персональных данных.

Сценарии применения

  • поиск адресов электронной почты и телефонов в документах
  • обнаружение имён и адресов перед публикацией текста
  • выявление паролей и идентификаторов в текстовых данных
  • разметка персональных данных для последующего редактирования
  • подготовка текстов к обезличиванию на европейских языках

Ограничения

Модель может ошибаться или путать категории персональных данных, поэтому её предсказания требуют проверки. Для длинных текстов README рекомендует разбивать вход на фрагменты по 256 токенов; лицензия запрещает коммерческое использование и распространение производных версий.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Contact

william (at) integrinet [dot] org

Piiranha-v1: Protect your personal information!

Piiranha (cc-by-nc-nd-4.0 license) is trained to detect 17 types of Personally Identifiable Information (PII) across six languages. It successfully catches 98.27% of PII tokens, with an overall classification accuracy of 99.44%. Piiranha is especially accurate at detecting passwords, emails (100%), phone numbers, and usernames.

Performance on PII vs. Non PII classification task:

  • Precision: 98.48% (98.48% of tokens classified as PII are actually PII)
  • Recall: 98.27% (correctly identifies 98.27% of PII tokens)
  • Specificity: 99.84% (correctly identifies 99.84% of Non PII tokens)

Piiranha was trained on H100 GPUs generously sponsored by the Akash Network

Total downloads: 1.118 million and counting!

Model Description

Piiranha is a fine-tuned version of microsoft/mdeberta-v3-base. The context length is 256 Deberta tokens. If your text is longer than that, just split it up.

Supported languages: English, Spanish, French, German, Italian, Dutch

Supported PII types: Account Number, Building Number, City, Credit Card Number, Date of Birth, Driver's License, Email, First Name, Last Name, ID Card, Password, Social Security Number, Street Address, Tax Number, Phone Number, Username, Zipcode.

It achieves the following results on a test set of ~73,000 sentences containing PII:

  • Accuracy: 99.44%
  • Loss: 0.0173
  • Precision: 93.16%
  • Recall: 93.08%
  • F1: 93.12%

Note that the above metrics factor in the eighteen possible categories (17 PII and 1 Non PII), so the metrics are lower than the metrics for just PII vs. Non PII (binary classification).

Performance by PII type

Reported performance metrics are lower than the overall accuracy of 99.44% due to class imbalance (most tokens are not PII). However, the model is more useful than the below results suggest, due to the intent behind PII detection. The model sometimes misclassifies one PII type for another, but at the end of the day, it still recognizes the token as PII. For instance, the model often confuses first names for last names, but that's fine because it still flags the name as PII.

EntityPrecisionRecallF1-ScoreSupport
ACCOUNTNUM0.840.870.853575
BUILDINGNUM0.920.900.913252
CITY0.950.970.967270
CREDITCARDNUMBER0.940.960.952308
DATEOFBIRTH0.930.850.893389
DRIVERLICENSENUM0.960.960.962244
EMAIL1.001.001.006892
GIVENNAME0.870.930.9012150
IDCARDNUM0.890.940.913700
PASSWORD0.980.980.982387
SOCIALNUM0.930.940.932709
STREET0.970.950.963331
SURNAME0.890.780.838267
TAXNUM0.970.890.932322
TELEPHONENUM0.991.000.995039
USERNAME0.980.980.987680
ZIPCODE0.940.970.953191
micro avg0.930.930.9379706
macro avg0.940.930.9379706
weighted avg0.930.930.9379706

Intended uses & limitations

Piiranha can be used to assist with redacting PII from texts. Use at your own risk. We do not accept responsibility for any incorrect model predictions.

Training and evaluation data

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 5e-05
  • train_batch_size: 128
  • eval_batch_size: 128
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.05
  • num_epochs: 5
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation LossPrecisionRecallF1Accuracy
0.29840.09832500.10050.54460.61110.57590.9702
0.05680.19655000.04640.78950.84590.81670.9849
0.04410.29487500.04000.83460.86690.85040.9869
0.03680.393110000.03200.85310.87840.86560.9891
0.03230.491412500.02930.87790.88890.88340.9903
0.02870.589615000.02690.89190.88360.88770.9907
0.02820.687917500.02760.87240.90120.88660.9903
0.02680.786220000.02540.88900.90410.89650.9914
0.02640.884422500.02360.88860.90400.89620.9915
0.02430.982725000.02320.89980.90330.90150.9917
0.02131.081027500.02370.91150.90400.90770.9923
0.02131.179230000.02220.91230.91430.91330.9925
0.02171.277532500.02220.89990.91690.90830.9924
0.02091.375835000.02120.91110.91330.91220.9928
0.02041.474137500.02060.90540.92030.91280.9926
0.01831.572340000.02120.91260.91600.91430.9927
0.01911.670642500.01920.91220.91920.91570.9929
0.01851.768945000.01950.92000.91910.91960.9932
0.0181.867147500.01880.91360.92150.91760.9933
0.01831.965450000.01910.91790.92120.91960.9934
0.01472.063752500.01880.92460.92420.92440.9937
0.01492.161955000.01840.91880.92540.92210.9937
0.01432.260257500.01930.91870.92240.92050.9932
0.0142.358560000.01900.92460.92800.92630.9936
0.01462.456862500.01900.92250.92770.92510.9936
0.01482.555065000.01750.92970.93060.93010.9942
0.01362.653367500.01720.91910.93290.92590.9938
0.01372.751670000.01660.92990.93120.93060.9942
0.0142.849872500.01670.92850.93130.92990.9942
0.01282.948175000.01660.92710.93260.92980.9943
0.01133.046477500.01710.92860.93470.93160.9946
0.01033.144780000.01720.92840.93830.93340.9945
0.01043.242982500.01690.93120.94060.93590.9947
0.00943.341285000.01660.93680.93590.93640.9948
0.013.439587500.01660.92890.93870.93370.9944
0.00993.537790000.01620.93350.93320.93340.9947
0.00993.636092500.01600.93210.93800.93500.9947
0.013.734395000.01680.93060.93890.93470.9947
0.01013.832597500.01590.93390.93500.93440.9947

Framework versions

  • Transformers 4.44.2
  • Pytorch 2.4.1+cu121
  • Datasets 3.0.0
  • Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DebertaV2ForTokenClassification
Ревизия весов
255acde

0 моделей