scnsoft-pii-encoder-doc-type-head
классификатор 17 типов документов в одном графе с поиском PII
2 min readupdated
Релиз-кандидат от ScienceSoft, который добавляет в квантованный int8-граф scnsoft-pii-encoder (на базе xlm-roberta-base) второй выход doc_logits для классификации 17 типов деловых и технических документов. Модель работает с текстом окнами по 450 символов на 7 языках, включая русский, и не меняет основной выход поиска персональных данных (PII — чувствительной личной информации). Решение пригодится разработчикам DLP-систем (защиты от утечек) и инструментов мониторинга, где нужно подсказывать человеку категорию документа без запуска отдельной нейросети.
Ключевые особенности
- Два выхода в одном файле: к замороженному энкодеру добавлена двухслойная голова (768 → 256 → 17), при этом выход PII
logitsостаётся побайтово идентичным базовой модели. - Почти нулевые накладные расходы: время обработки окна 450 символов на 4 потоках составляет 14,1 мс (против 13,7 мс у исходного энкодера), пиковое потребление памяти — 502 МБ.
- Мультиязычность: откалибрована на 7 языках — английском, немецком, французском, итальянском, испанском, русском и арабском.
- Строгий режим подсказок: модель позиционируется для вспомогательного мониторинга, а не для автоматической блокировки файлов.
Что можно сделать
- Встроить в конвейер проверки документов на утечки (DLP), чтобы одновременно находить PII и помечать файлы как NDA, исходный код, прайс-листы или кадровые документы.
- Использовать как второй слой фильтрации поверх rule-based парсеров: в режиме
addмодель дополняет правила, если те не нашли совпадений, но скор превысил порогt_add. - Прогнать локальный бенчмарк на русском и многоязычном корпусе корпоративных документов через ONNX Runtime.
Пример
Модель запускается через onnxruntime (onnx/model_quantized.onnx) строго с batch size = 1: текст нарезается на окна по 450 символов с перекрытием 50 символов, для каждого окна считается sigmoid(doc_logits), а тип присваивается по правилу lead2 (срабатывание первых двух окон или минимум max(3, ceil(n / 5)) из всех окон).
Подробнее
Ложные срабатывания: на 18 075 обычных документах порог прошли 4 типа —tech.design и finance.personal (по 0 ошибок), legal.nda (1 ошибка), tech.security (2 ошибки на русском).Железо и рантайм: тестировалось на aarch64 Linux (NVIDIA GB10) и Apple Mac arm64 в ONNX Runtime 1.24.2 и 1.19.2; размер файла — 279 МБ.
Ограничения: валидно только при batch size 1 (на батче 64 скоры расплываются до 0,53), между Linux и Mac есть расхождения на пограничных документах, recall для большинства из 17 типов не замерялся.
Обучение: 47 824 документа (20 561 реальный на английском, 6 680 машинных переводов OPUS-MT и 20 583 синтетических).










Comments