OpenAI avaldas Privacy Filteri — mudeli PII tuvastamiseks ja maskeerimiseks

OpenAI tutvustas Privacy Filterit — spetsialiseeritud open-weight mudelit, mis tuvastab ja maskeerib tekstis isikuandmeid (PII). Uudis on oluline mitte ainult ML-tiimidele: see on praktiline tööriist ettevõtetele, mis aitab vähendada lekkeriske päris töövoogudes — logimisest ja klienditoest kuni dokumentide indekseerimise ning AI jaoks andmete ettevalmistamiseni.

Mis mudel see on

Ametliku teate ja model card’i järgi ei ole Privacy Filter üldotstarbeline vestlusmudel, vaid bidirectional token-classification model, mis dekodeerib tekstilõike BIOES-formaadis. Lihtsamalt: mudel ei „kirjuta teksti“, vaid märgib ühe läbimisega, millised fragmendid tuleb peita.

OpenAI kinnitab järgmisi põhiparameetreid:

pikk kontekst — kuni 128 000 tokenit;
suurus — 1,5B parameetrit (neist umbes 50M aktiivset parameetrit);
litsents — Apache 2.0;
mudel on saadaval Hugging Face’is ja OpenAI GitHubi repos.

OpenAI rõhutab eraldi, et mudelit saab käitada lokaalselt. See on oluline ettevõtetele, kes ei taha saata „tooreid“ isikuandmeid sisaldavaid andmeid välisesse teenusesse.

Millist PII-d see otsib

Privacy Filteri baastaksonoomias on 8 kategooriat:

private_person
private_address
private_email
private_phone
private_url
private_date
account_number
secret

Eriti kasulikud on account_number ja secret: need katavad mitte ainult klassikalist PII-d, vaid ka tundlikke andmeid nagu pangarekvisiidid, API-võtmed ja paroolid, mis satuvad sageli logidesse ja sisemistesse ticket’itesse.

Kvaliteet ja piirangud

OpenAI teatab tulemustest PII-Masking-300k andmestikul: umbes 96% F1 algsel versioonil ja 97,43% F1 „parandatud“ versioonil, kus on arvestatud märgendusprobleemidega. Model card’is on kirjas ka eraldi kontrollid saladuste (CredData), mitmekeelsete ja adversarial-stsenaariumide ning domeenipõhise peenhäälestuse tõhususe kohta.

Samas kirjutab ettevõte otse olulise piirangu: Privacy Filter ei ole automaatne compliance’i sertifikaat ega universaalne „anonüümistamine võtmed kätte“. Mudel töötab oma taksonoomia piires ja võib eksida: jätta vahele ebastandardsed identifikaatorid, maskeerida liiga palju avalikke entiteete, töötada nõrgemini väljaspool põhilist andmejaotust või üksikutes keele- ja formaadijuhtumites.

Miks see on oluline ettevõtetele ja AI kasutuselevõtule

Laiema publiku jaoks on see näide sellest, kuidas AI liigub „vestlusdemost“ infrastruktuuriks.

Praktiline mõju ettevõtetele:

Väiksem lekkerisk enne andmete saatmist LLM-i, vektorbaasi või analüütikasse.
Kiirem privacy-by-design toodetes, mis kasutavad tuge, CRM-i, siseotsingut ja AI-agente.
Madalam kasutuselevõtu hind: open-weight, lokaalne käitus ja võimalus kohandada mudelit ettevõtte poliitikale.
Parem kontroll compliance-tiimidele: pipeline’i saab ehitada oma keskkonda ja auditeerida.

Sisuliselt on Privacy Filter andmete „eelpuhastuse“ kiht enne mis tahes agentset või generatiivset töövoogu. Enterprise-AI kasvu taustal muutub see mitte nice-to-have lahenduseks, vaid elementaarseks insenerihügieeniks.

Neuro.ee toimetuse arvamus

Turul räägitakse palju „kõige targematest“ mudelitest, kuid päris juurutustes määravad raha ja riskid sageli palju kitsamad tööriistad. Privacy Filter on just selline: vähem efektne kui uus lipulaeva-chatbot, kuid palju lähemal ettevõtete igapäevasele tööle, kus privaatsus ja vastutus andmete eest muutuvad kiiresti otseseks finantsmõõdikuks.