DeepMount00/GLiNER_PII_ITA

Model Card: Gliner - Modello Generalista per l'Identificazione di PII

Descrizione del Modello

Il modello è progettato per identificare e classificare informazioni personali identificabili (PII) all'interno di documenti di testo. Il modello è stato addestrato per essere generalista, ovvero in grado di riconoscere una vasta gamma di tag PII, ma con una specializzazione nell'identificazione dei tag più comuni e rilevanti nell'ambito amministrativo, legale e finanziario.

Ambiti di Applicazione

Particolarmente efficace nell'analisi di documenti legali, contratti, registri finanziari, e documenti amministrativi dove è fondamentale identificare e classificare correttamente le informazioni personali per la conformità alle normative sulla privacy (come il GDPR).

Tag Supportati

Il modello è stato addestrato con un totale di 11706 tag differenti. Alcuni esempi di tag che il modello può riconoscere includono:

• Nome del cliente: Identifica il nome completo di un cliente.
• Comune di nascita: Riconosce il comune in cui una persona è nata.
• Indirizzo di residenza: Riconosce l'indirizzo di residenza di una persona.
• Codice fiscale: Riconosce il codice fiscale di un individuo o di un'azienda.
• Numero di documento: Identifica numeri di documenti identificativi come passaporti, carte d'identità, ecc.
• Importo della transazione: Riconosce importi monetari relativi a transazioni finanziarie.
• Particella catastale: Identifica il numero di particella catastale relativo a un immobile.
• Nome dell'azienda: Riconosce il nome ufficiale di un'azienda.
• IBAN: Identifica numeri di conti bancari in formato IBAN.
• Indirizzo IP: Riconosce indirizzi IP associati a utenti o dispositivi.

Performance

Il modello è stato addestrato su un ampio dataset contenente circa 200K di esempi annotati manualmente per ciascun tipo di PII.

Limitazioni

• Variabilità dei Dati: Gliner può avere difficoltà nell'identificare PII in documenti non strutturati o con formattazioni molto diverse da quelle presenti nel set di addestramento.
• Tag Rari: Il modello può mostrare performance ridotte su tag meno comuni o su quelli che non erano ben rappresentati nel set di addestramento.
• Bias: Come tutti i modelli di machine learning, Gliner può essere soggetto a bias derivanti dal dataset di addestramento.

Installation

To use this model, you must install the GLiNER Python library:

!pip install gliner

Usage

Once you've downloaded the GLiNER library, you can import the GLiNER class. You can then load this model using GLiNER.from_pretrained and predict entities with predict_entities.

from gliner import GLiNER

model = GLiNER.from_pretrained("DeepMount00/GLiNER_PII_ITA")

text = """..."""

labels = ["label1", "label2"]

entities = model.predict_entities(text, labels)

for entity in entities:
    print(entity["text"], "=>", entity["label"])