/ Модель

Характеристики

Контекст
512 токенов
Параметры
265 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
muril-base-cased
Опубликована
12 июл 2026

sakshi-pii-in

Разметка токеновТекст → label9 профессий

BERT-модель RotaVision для выделения имён, адресов и дат рождения в индийских языках и смешанном хинглише.

38скачиваний за 30 дней2лайкавеса обновлены12 июл 2026

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

sakshi-pii-in — разработанная RotaVision модель классификации токенов на базе MuRIL-base-cased от Google. Она выделяет в неструктурированном тексте персональные данные индийского контекста: имена людей (PERSON), адреса (ADDRESS) и даты рождения (DOB), в том числе в смешанном хинглише и текстах на письме деванагари, бенгали и тамильском. Модель предназначена для слоя токенизации при приёме данных в платформу Sakshi; она рассчитана на сочетания английского и индийских языков и транслитераций.

Это BERT-модель с 264,8 млн параметров и контекстом до 512 токенов. Обучающие данные полностью синтетические: шаблонные предложения, JSON-записи и чаты на английском, хинди, хинглише, бенгали и тамильском. В README приведены результаты на замороженном наборе из 2000 примеров: F1 0,988 для имён, 0,956 для адресов и 0,998 для дат рождения.

Модель не предназначена для поиска структурированных идентификаторов вроде Aadhaar, PAN, IFSC, номеров телефонов и банковских счетов: для них README рекомендует отдельный детерминированный слой с регулярными выражениями и проверками контрольных сумм. Синтетическое обучение может ограничивать качество на OCR-ошибках и SMS-сокращениях; для других индийских письменностей ожидается более низкая полнота. Модель находит PII в тексте, но не оценивает законность обработки данных. Лицензия — Apache-2.0.

Сценарии применения

  • выделение имён людей в текстах на хинди и хинглише
  • поиск адресов в сообщениях на индийских языках
  • извлечение дат рождения из текстовых записей
  • разметка персональных данных в чатах и JSON-записях
  • токенизация PII при приёме текстовых данных в Sakshi

Ограничения

Не обнаруживает структурированные идентификаторы вроде Aadhaar, PAN, IFSC, телефонов и номеров счетов; для них требуется отдельный детерминированный детектор. Обучение только на синтетических данных может снижать качество на OCR-шуме, SMS-сокращениях и других индийских письменностях.

Для каких профессий подходит9

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

sakshi-pii-in

Token-classification model (MuRIL-base fine-tune) detecting Indian PII in unstructured text: PERSON, ADDRESS, DOB — including inside code-mixed Hinglish and Devanagari/Bengali/Tamil content.

Built by RotaVision as Layer 2 of the Sakshi agent-governance platform's ingest tokenization. Structured identifiers (Aadhaar, PAN, IFSC, mobile, account numbers) are handled by a deterministic regex+checksum layer upstream and are deliberately out of scope for this model — pair it with checksum detectors, don't ask it to find Aadhaar numbers.

Training data

100% synthetic: templated sentences, JSON records, and chat transcripts across English, Hindi (Devanagari), Hinglish, Bengali, and Tamil, populated from public-knowledge name/place gazetteers. No scraped data, no real persons, no customer data. Hard negatives include order/ticket/invoice identifiers and checksum-valid synthetic Aadhaar numbers (unlabeled — the deterministic layer owns those).

Evaluation (frozen 2,000-example set, disjoint names/places/templates)

MetricResult
PERSON F10.988 (P 0.989 / R 0.988)
ADDRESS F10.956 (P 0.957 / R 0.959)
DOB F10.998
Micro F1 / recall0.979 / 0.981
CPU batch latency (B=16)p50 5.7 / p95 6.2 ms per record

Operating threshold: 0.25. Confidence scores are diffuse (correct spans score 0.28–0.6); calibration is a v1 item. Selection was recall-prioritized (F-beta, β=2): a missed identity is a liability, a false positive is a tokenized order id.

from transformers import pipeline

ner = pipeline("token-classification", model="rotalabs/sakshi-pii-in",
               aggregation_strategy="first")
spans = [s for s in ner("Priya Sharma, DOB 14/03/1991, Andheri West se hai")
         if s["score"] >= 0.25]

Limitations

  • Five language settings in training; other Indic scripts (Malayalam, Telugu, Kannada, Odia…) are best-effort — expect lower recall.
  • Synthetic-only training under-represents OCR noise and SMS shorthand.
  • Finds PII in text; does not decide lawfulness of processing. Not a consent-management or data-discovery tool.
  • Machine identifiers (fingerprints, digests, version strings) should be exempted from NER at the application layer — see the Sakshi source for the pattern.

Provenance

Base model google/muril-base-cased (Apache-2.0). Training data fully synthetic, generator and frozen eval set maintained in the Sakshi repository. Released by RotaVision under the rotalabs open-source commons, Apache-2.0.

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
abbdbaa

0 моделей