Η OpenAI κυκλοφορεί το Privacy Filter, ένα μοντέλο απόκρυψης προσωπικών δεδομένων (PII) ανοιχτών βαρών υπό άδεια Apache 2.0

Ένα διακριτικό μοντέλο από μια εταιρεία γνωστή για τα γενετικά της

Η OpenAI κυκλοφόρησε το Privacy Filter στις 22 Απριλίου 2026 ως μοντέλο ανοιχτών βαρών για τον εντοπισμό και την απόκρυψη προσωπικά αναγνωρίσιμων πληροφοριών σε κείμενο. Είναι διαθέσιμο υπό την άδεια Apache 2.0 στο Hugging Face και στο GitHub, εγκεκριμένο για πειραματισμό, προσαρμογή και εμπορική χρήση.

Το αξιοσημείωτο είναι ο τύπος του μοντέλου. Η OpenAI περιγράφει ένα διμερικατευθυντικό μοντέλο ταξινόμησης token με αποκωδικοποίηση τμημάτων. Ξεκινά από ένα προεκπαιδευμένο αυτοπαλίνδρομο σημείο ελέγχου, στη συνέχεια αντικαθιστά την κεφαλή γλωσσικής μοντελοποίησης με μια κεφαλή ταξινόμησης token και εκπαιδεύεται περαιτέρω με έναν επιβλεπόμενο στόχο ταξινόμησης. Αντί να παράγει κείμενο token προς token, επισημαίνει κάθε token σε ένα ενιαίο πέρασμα προς τα εμπρός και αποκωδικοποιεί συνεκτικά τμήματα με μια περιορισμένη διαδικασία Viterbi.

Πρόκειται για διαφορετικό τύπο προϊόντος από τα γενετικά συστήματα που συνήθως κυκλοφορεί η OpenAI. Το Privacy Filter δεν γράφει τίποτα· επισημαίνει τμήματα σε οκτώ κατηγορίες — private_person, private_address, private_email, private_phone, private_url, private_date, account_number και secret — χρησιμοποιώντας ετικέτες τμημάτων BIOES για πιο καθαρά όρια απόκρυψης.

Τα νούμερα που όντως αναφέρει η OpenAI

Το κυκλοφορημένο μοντέλο έχει 1,5 δισ. συνολικές παραμέτρους με 50 εκατ. ενεργές παραμέτρους, υποστηρίζει πλαίσιο έως 128.000 token και διαθέτει ρυθμιζόμενα σημεία λειτουργίας ώστε οι προγραμματιστές να μπορούν να ισορροπούν ανάκληση με ακρίβεια. Αυτό το νούμερο ενεργών παραμέτρων είναι που κάνει πιστευτή την ισχυρή απόδοση ενιαίου περάσματος και υψηλής απόδοσης για τοπική εκτέλεση.

Στο σημείο αναφοράς PII-Masking-300k, η OpenAI αναφέρει F1 96% (ακρίβεια 94,04%, ανάκληση 98,04%). Σε μια διορθωμένη έκδοση του σημείου αναφοράς που λαμβάνει υπόψη ζητήματα σχολιασμού που η ομάδα δηλώνει ότι εντόπισε κατά την επισκόπηση, το F1 ανεβαίνει στο 97,43% (ακρίβεια 96,79%, ανάκληση 98,08%). Η διόρθωση αξίζει προσεκτική ανάγνωση: πρόκειται για αξιολόγηση της OpenAI έναντι της δικής της επανασχολιασμένης έκδοσης ενός δημόσιου συνόλου δεδομένων, οπότε το βασικό νούμερο εξαρτάται από την αποδοχή αυτών των διορθώσεων.

Σχετικά με την προσαρμογή, η OpenAI αναφέρει ότι η μικρορύθμιση σε μικρό όγκο δεδομένων ανέβασε το F1 από 54% σε 96% σε ένα σημείο αναφοράς προσαρμογής τομέα, πλησιάζοντας τον κορεσμό. Το αρχικό ποσοστό 54% δείχνει ότι οι τομείς εκτός κατανομής χρειάζονται συντονισμό, όχι ότι το βασικό μοντέλο μεταφέρεται καθαρά παντού.

Διατηρώντας τα μη φιλτραρισμένα δεδομένα στη συσκευή

Ο σχεδιασμός επικεντρώνεται στην τοπική εκτέλεση. Το επιχείρημα της OpenAI είναι ότι δεδομένα που δεν έχουν φιλτραριστεί ακόμα μπορούν να παραμείνουν στη συσκευή αντί να αποστέλλονται σε διακομιστή για ανωνυμοποίηση — ένα μικρότερο μοντέλο σημαίνει ότι το ίδιο το βήμα απόκρυψης δεν γίνεται νέο σημείο διαρροής δεδομένων.

Η OpenAI το τοποθετεί απέναντι στα παραδοσιακά εργαλεία PII που βασίζονται σε αιτιοκρατικούς κανόνες για μορφές όπως αριθμοί τηλεφώνου και διευθύνσεις email. Αυτοί οι κανόνες λειτουργούν σε περιορισμένες περιπτώσεις αλλά χάνουν πιο υποδόριες αναφορές. Το πλεονέκτημα εδώ είναι η επίγνωση περιβάλλοντος: η γλωσσική εκ των προτέρων γνώση επιτρέπει στο μοντέλο να ξεχωρίζει πληροφορίες που πρέπει να διατηρηθούν επειδή είναι δημόσιες από πληροφορίες που σχετίζονται με ένα ιδιωτικό άτομο και πρέπει να αποκρυφτούν.

Η OpenAI δηλώνει επίσης ότι χρησιμοποιεί μια μικρορυθμισμένη έκδοση εσωτερικά στις δικές της ροές εργασίας προστασίας ιδιωτικότητας, και τοποθετεί την κυκλοφορία μέσα σε έναν δηλωμένο στόχο: «Στόχος μας είναι τα μοντέλα να μαθαίνουν για τον κόσμο, όχι για ιδιωτικά άτομα».

Τι δηλώνει ρητά η OpenAI ότι δεν είναι

Η ενότητα περιορισμών είναι ασυνήθιστα ευθεία. Η OpenAI δηλώνει ότι το Privacy Filter δεν είναι εργαλείο ανωνυμοποίησης, δεν αποτελεί πιστοποίηση συμμόρφωσης και δεν αντικαθιστά τον έλεγχο πολιτικής σε περιβάλλοντα υψηλού ρίσκου. Είναι ένα στοιχείο μέσα σε ένα σύστημα σχεδιασμένο εξαρχής για την ιδιωτικότητα.

Η συμπεριφορά αντανακλά την ταξινομία στην οποία εκπαιδεύτηκε, και η OpenAI προειδοποιεί ότι διαφορετικοί οργανισμοί θα θέλουν διαφορετικές πολιτικές απόκρυψης, ότι η απόδοση ποικίλλει ανάλογα με τη γλώσσα, το σύστημα γραφής και τις συμβάσεις ονοματοδοσίας, και ότι το μοντέλο μπορεί να υπερ- ή υπο-αποκρύψει όταν το περιβάλλον είναι περιορισμένο, ειδικά σε σύντομες ακολουθίες. Για νομικές, ιατρικές και χρηματοοικονομικές ροές εργασίας, αναφέρει ότι η ανθρώπινη επισκόπηση και η αξιολόγηση εντός τομέα παραμένουν σημαντικές.

Αυτή η προσέγγιση αποτελεί δήλωση περί λογοδοσίας. Μια ομάδα που αντιμετωπίζει την έξοδο του Privacy Filter ως πιστοποιημένη ανωνυμοποίηση το χρησιμοποιεί αντίθετα με τη δηλωμένη πρόθεση της OpenAI.

Η συνέπεια: τα εργαλεία ιδιωτικότητας αποκτούν μια εξετάσιμη, ρυθμιζόμενη βάση

Για ομάδες που δημιουργούν διαδικασίες εκπαίδευσης, ευρετηρίασης, καταγραφής και επισκόπησης, η συγκεκριμένη αλλαγή είναι ότι υπάρχει τώρα ένας ισχυρός, ευαίσθητος στο περιβάλλον redactor PII με ανοιχτά βάρη, άδεια Apache 2.0 και τεκμηριωμένους ελέγχους αποκωδικοποίησης — κάτι που μπορείτε να εκτελέσετε στο δικό σας περιβάλλον, να αξιολογήσετε και να μικρορυθμίσετε στη δική σας ταξινομία.

Η πρακτική δουλειά δεν είναι η υιοθέτηση του μοντέλου αλλά η επικύρωσή του. Επειδή οι ισχυροί αριθμοί των σημείων αναφοράς βασίζονται στις δικές της διορθώσεις σχολιασμού της OpenAI, και επειδή το άλμα από 54% σε 96% δείχνει ευαισθησία στον τομέα, κάθε σοβαρή υλοποίηση σημαίνει τη δημιουργία ενός συνόλου αξιολόγησης εντός τομέα και τη ρύθμιση σημείων λειτουργίας πριν εμπιστευτείτε τις αποκρύψεις. Το Privacy Filter μειώνει το κόστος εκκίνησης· δεν αφαιρεί την υποχρέωση επαλήθευσης όσων παραλείπει στα δικά σας δεδομένα.