OpenAI Privacy Parser

OpenAI ने Privacy Filter जारी किया — एक मॉडल जो टेक्स्ट में PII को छिपाता है। डिफेंडर इसका उपयोग करते हैं ताकि डेटा लीक न हो।

लेकिन हर बचाव का दूसरा पहलू भी होता है। अटैकर्स को भी PII चाहिए। लॉग्स, डंप्स, छोड़े गए S3 बकेट, चुराए गए इनबॉक्स से। एक ही काम: टेक्स्ट के ढेर में हर निजी चीज़ ढूँढना।

Privacy Filter मास्क करता है। Privacy Parser निकालता है।

एक ही मॉडल, एक ही लेबल टैक्सोनॉमी, एक ही वेट्स। <REDACTED> की जगह आपको स्ट्रक्चर्ड स्पैन मिलते हैं — क्या, कहाँ, किस प्रकार का।

डिफेंस: अपने डेटा का ऑडिट करें, इसके लीक होने से पहले। ऑफेंस: लीक हो जाने के बाद किसी और का पार्स करें।

टूल को नहीं पता कि वह किस पक्ष में है। वह बस एक अच्छा पार्सर है।

इंस्टॉल

uv venv
uv pip install -e ./privacy-filter
uv pip install -e ./pii_parser

पहली बार चलाने पर opf 1.5B चेकपॉइंट (~3 GB) ~/.opf/privacy_filter/ पर डाउनलोड होता है।

उपयोग

from pii_parser.hybrid import HybridPIIParser

parser = HybridPIIParser(device="cpu")
result = parser.parse(
    "Hi Quindle Testwick ([email protected] / +1-415-555-0102), "
    "account 40702810500001234567, 14 Beautiful Ct, Anytown USA, "
    "password Priv4cy-Filt3r-2026."
)
for s in result.spans:
    print(f"{s.label:18}  {s.text}")

private_person      Quindle Testwick
private_email       [email protected]
private_phone       +1-415-555-0102
account_number      40702810500001234567
private_address     14 Beautiful Ct, Anytown USA
secret              Priv4cy-Filt3r-2026

CLI

python -m pii_parser.cli_model "Alice paid 40702810500001234567 on 2026-05-17."

तीन बैकएंड

हाइब्रिड = मॉडल + स्पैन-मर्ज + regex बैकस्टॉप। इसी को इस्तेमाल करें।

लेबल

opf v2 टैक्सोनॉमी — 8 श्रेणियाँ:

private_person · private_email · private_phone · private_address · private_url · private_date · account_number · secret

आर्किटेक्चर

text
  ↓
opf 1.5B → BIOES logits → Viterbi (tuned) → char spans
  ↓
span-merge (glues Quindle + Testwick)
  ↓
regex backstop (URL, secret, account — where the model misses)
  ↓
spans[]

बेंचमार्क

python pii_parser/tests/test_hybrid.py

Fixture F1:  0.929
Scenarios:   8/8 passed
Latency:     ~600 ms CPU

लाइसेंस

Apache-2.0.