--- language: - tr license: gemma base_model: google/gemma-3-270m-it pipeline_tag: text-generation library_name: transformers tags: - pii - anonymization - masking - kvkk - gdpr - turkish - privacy - fintech --- # PII Guard Turkish 270M Cihaz üstü (mobil) kullanım için tasarlanmış, Türkçe metindeki kişisel verileri **talimat-koşullu** maskeleyen 270M parametreli model. Bu repo kullanıma hazır tam modeldir; telefonda çalıştırmak için GGUF sürümüne bakın: [pii-guard-turkish-270m-gguf](https://huggingface.co/cagrigungor/pii-guard-turkish-270m-gguf). ``` Girdi : Ahmet Yıldız 0542 321 45 67 numarasından aradı, ibanı TR12 0001 2000 0034 5678 9012 34 Çıktı : [AD] [TEL] numarasından aradı, ibanı [IBAN] ``` Bir LLM'e veri göndermeden önceki maskeleme katmanı, log temizleme ve KVKK/GDPR veri minimizasyonu için tasarlandı. **53 PII etiketi** tanır ve **talimat okur**: aynı metin, farklı politika altında farklı maskelenir. ## Sonuçlar Eğitim verisinden tamamen bağımsız, elle kurulmuş 1.000 örneklik benchmark üzerinde **satır düzeyi tam eşleşme** (çıktının beklenen metinle karakter karakter aynı olması — tek bir etiket hatası satırın tamamını yanlış sayar): | Model | Tam Eşleşme (1000) | Şema-nötr (903) | |---|---|---| | cagrigungor/pii-guard-turkish-0.8b | **0.876** | **0.889** | | cagrigungor/pii-guard-turkish-0.6b | 0.828 | 0.850 | | cagrigungor/pii-guard-turkish-270m | 0.740 | 0.770 | | melikegks/turkish-pii-guard-0.8b | 0.731 | 0.810 | Şema-nötr sütun, `[YAS] [CINSIYET] [UYRUK]` etiketlerinin maskelenmesini gerektiren 97 satır hariç tutularak hesaplanır (bu üç etiket her modelin şemasında bulunmadığından modeller arası adil kıyas bu sütundur). Benchmark halka açıktır ve yeniden üretilebilir: - Kaggle: https://www.kaggle.com/datasets/aiwithcagri/turkish-pii-masking-benchmark - Hugging Face: https://huggingface.co/datasets/cagrigungor/turkish-pii-masking-benchmark Benchmark bileşimi: tam maskeleme (350), beyaz liste (200), kara liste (150), kapsam dışı (100), tuzaklı negatif (200); içinde BÜYÜK HARF, Türkçe ek almış PII, sözle yazılmış numaralar, çok kişili metinler ve 300-900 karakterlik uzun girdiler işaretli dilimler halinde bulunur. Kategori kırılımı (bu model): tam maskeleme 0.723 · beyaz liste 0.620 · kara liste 0.740 · kapsam dışı 0.730 · negatif 0.895. Zor dilimler: ekli PII 0.818 · BÜYÜK HARF 0.505 · uzun metin 0.521 · sözle yazım 0.649. ## Eğitim | | | |---|---| | Taban model | google/gemma-3-270m-it | | Yöntem | LoRA (r=16, alfa=32), bf16, completion-only loss, Unsloth | | Bağlam | 768 token | | Veri | Sentetik Türkçe bankacılık/ERP metni, 53 PII etiketi, ~400.000 örnek | | Split | Modül düzeyinde train/val ayrımı; benchmark tamamen bağımsız üretim | ## Kullanım Prompt biçimi eğitimle birebir aynı olmalıdır. Gemma mimarisi prompt başında **BOS token** ister; `add_special_tokens=False` kullanıyorsan BOS'u elle ekle, yoksa çıktı bozulur. ```python import torch from transformers import AutoModelForCausalLM, AutoTokenizer MODEL = "cagrigungor/pii-guard-turkish-270m" tokenizer = AutoTokenizer.from_pretrained(MODEL) model = AutoModelForCausalLM.from_pretrained( MODEL, dtype=torch.bfloat16, device_map="auto").eval() def maskele(metin, talimat="Metindeki tüm kişisel verileri uygun etiketlerle maskele."): prompt = (f"{tokenizer.bos_token}user\n{talimat}\n\n" f"Metin: {metin}\nmodel\n") girdi = tokenizer(prompt, return_tensors="pt", add_special_tokens=False).to(model.device) with torch.inference_mode(): cikti = model.generate(**girdi, max_new_tokens=512, do_sample=False, eos_token_id=tokenizer.convert_tokens_to_ids(""), pad_token_id=tokenizer.eos_token_id) return tokenizer.decode(cikti[0, girdi["input_ids"].shape[1]:], skip_special_tokens=True).strip() print(maskele("müşteri Ayşe Yılmaz tc 12345678901 tel 0532 111 22 33")) # -> müşteri [AD] tc [TCKN] tel [TEL] ``` ## Politika biçimleri Model talimatı okur; aynı metin farklı politika altında farklı maskelenir. | Politika | Örnek talimat | |---|---| | Tam maskeleme | "Metindeki tüm kişisel verileri uygun etiketlerle maskele." | | Beyaz liste | "Sadece IBAN ve telefon numarasını maskele. Gerisi aynen kalsın." | | Kara liste | "Ad soyad hariç bütün hassas alanları etiketle." | | Kategori | "Yalnızca özel nitelikli kişisel veriler maskelenecek." | | Kapsam dışı | Talimatta istenen etiket metinde yoksa çıktı girdiyle aynı kalır. | ## Etiketler 53 etiket, dokuz kategoride. | Kategori | Etiketler | |---|---| | Kimlik | `[AD]` `[TCKN]` `[DOGUM_TARIHI]` `[DOGUM_YERI]` `[ANNE_ADI]` `[ANNE_KIZLIK]` `[BABA_ADI]` `[PASAPORT_NO]` `[EHLIYET_NO]` `[SGK_NO]` `[IMZA]` | | Finansal | `[IBAN]` `[HESAP_NO]` `[KART]` `[KART_SKT]` `[CVV]` `[MAAS]` `[VERGI_NO]` `[MUSTERI_NO]` `[KREDI_NOTU]` `[POLICE_NO]` `[SOZLESME_NO]` `[KRIPTO_CUZDAN]` | | İletişim | `[TEL]` `[EMAIL]` `[ADRES]` `[KONUM]` | | Özel nitelikli (KVKK md. 6) | `[SAGLIK]` `[DIN]` `[ETNIK_KOKEN]` `[SENDIKA]` `[BIYOMETRIK]` `[CEZA_KAYDI]` `[KAN_GRUBU]` `[ENGEL_DURUMU]` | | Kimlik doğrulama | `[SIFRE]` `[PIN]` `[KULLANICI_ADI]` | | Cihaz ve ağ | `[IP_ADRES]` `[MAC_ADRES]` `[IMEI]` `[CIHAZ_ID]` | | Araç | `[PLAKA]` `[SASI_NO]` `[MOTOR_NO]` `[RUHSAT_NO]` | | İstihdam ve diğer | `[SICIL_NO]` `[ISYERI]` `[AILE]` `[REFERANS]` | | Demografi | `[YAS]` `[CINSIYET]` `[UYRUK]` | ## Türkçeye özgü davranış - **Ek almış PII**: kesme işaretli ekler ünlü uyumuyla korunur — `Ayşe Yılmaz'ın hesabına havale yap` -> `[AD]'ın hesabına havale yap` - **Sözle yazılmış değerler**: `tc kimlik numaram yedi bir dokuz yedi ...` -> `tc kimlik numaram [TCKN]` - **BÜYÜK HARF girdi**: `ADIM AHMET TC 12345678901` -> `ADIM [AD] TC [TCKN]` - **Çok kişili metin**: aynı cümledeki farklı kişiler ayrı ayrı maskelenir - **Tuzaklara direnç**: fatura/sipariş numarası, şehir adlı projeler, "tc kimlik alanı boş bırakılamaz" gibi PII kelimesi geçen ama PII içermeyen metinler değiştirilmez ## Sınırlar 1. **Değerlendirme sentetik veriyle yapılmıştır.** Eğitim ve benchmark verisi Faker + LLM üretimidir; gerçek kişi verisi içermez. Gerçek kullanıcı metnindeki performans ölçülmemiştir. Kendi verinde ölçmeden kritik bir hatta koyma. 2. **Şema dışı etiket üretebilir.** Üretimde 53 etiketlik bir whitelist katmanı öneririz; şema dışı etiket içeren çıktıyı reddedip insan incelemesine gönder. 3. **Zayıf dilimler** (benchmark kırılımından): kara liste talimatları ve sözle yazılmış uzun sayı dizileri en düşük skorlu dilimlerdir. Bu dilimlerde çıktı doğrulaması ekle. 4. **Yalnızca Türkçe.** Başka dillerde test edilmedi. 5. **Karar destek aracı değildir.** KVKK/GDPR sorumluluğu kullanandadır; kritik akışlarda insan denetimi gerekir. ## Yazar Hasan Çağrı Güngör iletisim@cagrigungor.com — https://finiscode.com ## Alıntı ```bibtex @misc{pii-guard-turkish, title = {PII Guard Turkish}, author = {Hasan Çağrı Güngör}, year = {2026}, url = {https://huggingface.co/cagrigungor/pii-guard-turkish-270m} } ```