OpenAI Privacy Parser

OpenAI выпустила Privacy Filter — модель, которая скрывает PII в тексте. Защитники используют её, чтобы данные не утекали.

Но у каждой защиты есть и обратная сторона. Атакующим тоже нужны PII. Из логов, дампов, заброшенных S3-корзин, украденных почтовых ящиков. Та же задача: найти всё личное в куче текста.

Privacy Filter маскирует. Privacy Parser извлекает.

Та же модель, та же таксономия меток, те же веса. Вместо <REDACTED> вы получаете структурированные отрезки — что, где, какого типа.

Защита: проверяйте свои данные до утечки. Атака: разбирайте чужие после.

Инструмент не знает, на чьей он стороне. Он просто хороший парсер.

Установка

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

При первом запуске загружается контрольная точка opf 1.5B (~3 ГБ) в ~/.opf/privacy_filter/.

Использование

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."

Три бэкенда

Гибрид = модель + слияние отрезков + regex-подстраховка. Используйте этот.

Метки

Таксономия opf v2 — 8 категорий:

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

Архитектура

text
  ↓
opf 1.5B → BIOES logits → Viterbi (tuned) → char spans
  ↓
span-merge (склеивает Quindle + Testwick)
  ↓
regex backstop (URL, secret, account — где модель ошибается)
  ↓
spans[]

Тесты

python pii_parser/tests/test_hybrid.py

Фикстура F1:  0.929
Сценарии:     8/8 пройдено
Задержка:     ~600 ms CPU

Лицензия

Apache-2.0.