GLiNER PT-BR — Identificação de PII em documentos

Reconhecimento de Informações Pessoais Identificáveis em português brasileiro, organizado por categoria e com destaque explícito para dados pessoais sensíveis nos termos do art. 5º, II da Lei nº 13.709/2018 (LGPD). Cobre 25 categorias canônicas e aceita labels arbitrários em zero-shot para casos específicos (nº de contrato, OAB, número de processo, nome de empresa, cargo, etc.).

Modelo
0.05 0.95
Exibe classificações concorrentes para um mesmo trecho.
Categorias canônicas
Selecione quais tipos de PII devem ser identificados.
cpf document number
rg document number
pis document number
credit card
phone number
email address
first name
middle name
last name
dob
location street
location building number
location neighborhood
location city
location state
location state abbreviation
location zip
location full address
personal description of ethnicity
personal description of medical conditions
personal description of organizational affiliation
personal description of political opinion
personal description of religious convictions
personal description of sexual information
Exemplos de referência (textos construídos manualmente, fora do conjunto de treino)

Desempenho dos modelos

Modelo Backbone Treino F1_partial (4-src avg) F1_exact
mmBERT-small (recomendado) jhu-clsp/mmBERT-small (140M) 69 000 passos from-scratch, checkpoint 41 400 0.827 0.796
ettin-68m jhu-clsp/ettin-encoder-68m 41 400 + 100 passos adicionais 0.682 0.637
ettin-32m jhu-clsp/ettin-encoder-32m 65 550 + 100 passos adicionais 0.603 0.542

Em mmBERT-small, F1 ≥ 0.99 nas categorias credit card, CPF, PIS, RG, data de nascimento, telefone, e-mail e CEP. Recall geral de 0.95 em avaliação cross-source.

Labels customizados (zero-shot)

O arcabouço GLiNER aceita rótulos arbitrários em português ou inglês. São úteis em contexto jurídico rótulos como número do processo, OAB, número do contrato, valor, nome da empresa, cargo, medicação, placa de veículo. A qualidade varia conforme a formulação do label.

Labels canônicos

Os 25 labels treinados, mais o marcador interno berco-de-tiradentes:

  • cpf document number
  • rg document number
  • pis document number
  • credit card
  • phone number
  • email address
  • first name
  • middle name
  • last name
  • dob
  • location street
  • location building number
  • location neighborhood
  • location city
  • location state
  • location state abbreviation
  • location zip
  • location full address
  • personal description of ethnicity
  • personal description of medical conditions
  • personal description of organizational affiliation
  • personal description of political opinion
  • personal description of religious convictions
  • personal description of sexual information
  • berco-de-tiradentes