OpenAI Privacy Parser

OpenAI ha rilasciato Privacy Filter — un modello che nasconde i PII nel testo. I difensori lo usano affinché i dati non vengano divulgati.

Ma ogni difesa ha un secondo lato. Anche gli attaccanti hanno bisogno dei PII. Dai log, dump, bucket S3 abbandonati, caselle di posta rubate. Stesso compito: trovare tutto ciò che è personale in un mucchio di testo.

Privacy Filter maschera. Privacy Parser estrae.

Stesso modello, stessa tassonomia delle etichette, stessi pesi. Invece di <REDACTED> ottieni span strutturati — cosa, dove, quale tipo.

Difesa: verifica i tuoi dati prima che vengano divulgati. Offesa: analizza quelli di qualcun altro dopo che lo sono stati.

Lo strumento non sa da che parte stare. È semplicemente un buon parser.

Installazione

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

Il primo avvio scarica il checkpoint opf 1.5B (~3 GB) in ~/.opf/privacy_filter/.

Utilizzo

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."

Tre backend

Hybrid = modello + span-merge + regex di ripiego. Scegli questo.

Etichette

Tassonomia opf v2 — 8 categorie:

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

Architettura

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[]

Benchmark

python pii_parser/tests/test_hybrid.py

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

Licenza

Apache-2.0.