Türkçe metindeki kişisel verileri tespit edip yerinde maskeleyen 0.8B parametreli model. Girdiyi alır, kişisel veriyi köşeli parantezli etiketle değiştirir, metnin geri kalanına dokunmaz.

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. 50 PII etiketi tanır.

En önemli özelliği: talimatı okur. Aynı metin, farklı politika altında farklı maskelenir — "yalnızca IBAN'ı gizle", "telefonu açık bırak, gerisini maskele" gibi kapsam talimatlarına uyar.

Sonuçlar

Set	Precision	Recall	F1	Exact Match
Test seti A	%99,584	%99,940	%99,762	%99,220
Test seti B	%99,493	%99,902	%99,697	%99,180
Final Kör Holdout	%99,500	%99,920	%99,709	%99,320

Metrikler entity düzeyindedir: her maskelenen varlık ayrı sayılır. Exact Match, çıktının beklenen metinle karakter karakter aynı olması demektir.

Kullanım

python

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

MODEL = "melikegks/turkish-pii-guard-0.8b"

tokenizer = AutoTokenizer.from_pretrained(MODEL)
model = AutoModelForCausalLM.from_pretrained(
    MODEL, dtype=torch.bfloat16, device_map="auto"
).eval()


def maskele(metin, talimat=None, max_new_tokens=256):
    talimat = talimat or (
        "Metindeki tüm kişisel ve hassas bilgileri uygun etiketlerle "
        "maskele. Diğer kısımları değiştirme."
    )
    mesajlar = [
        {"role": "system", "content": talimat},
        {"role": "user", "content": metin},
    ]
    prompt = tokenizer.apply_chat_template(
        mesajlar, tokenize=False, add_generation_prompt=True,
        enable_thinking=False,
    )
    girdi = tokenizer(prompt, return_tensors="pt",
                      add_special_tokens=False).to(model.device)

    with torch.inference_mode():
        cikti = model.generate(
            **girdi,
            max_new_tokens=max_new_tokens,
            do_sample=False,                       # maskeleme belirlenimci olmalı
            eos_token_id=tokenizer.convert_tokens_to_ids("<|im_end|>"),
            pad_token_id=tokenizer.pad_token_id,
        )

    yeni = cikti[0, girdi["input_ids"].shape[1]:]
    return tokenizer.decode(yeni, skip_special_tokens=True).strip()


print(maskele("müşteri Ayşe Yılmaz tc 12345678901 tel 0532 111 22 33"))
# → müşteri [AD] tc [TCKN] tel [TEL]

do_sample=False kullan. Maskeleme belirlenimci bir görev; örnekleme tutarsız çıktı üretir.

Kapsam talimatları

Talimat çıktıyı doğrudan değiştirir:

python

metin = "Ali Kaya 0532 111 22 33 numarasından aradı, ibanı TR33 0006 1005 1978 6457 8413 26"

maskele(metin)
# → [AD] [TEL] numarasından aradı, ibanı [IBAN]

maskele(metin, "Yalnızca IBAN bilgisini maskele. Adı ve telefonu değiştirme.")
# → Ali Kaya 0532 111 22 33 numarasından aradı, ibanı [IBAN]

maskele(metin, "IBAN'ı açık bırak. Diğer kişisel bilgileri maskele.")
# → [AD] [TEL] numarasından aradı, ibanı TR33 0006 1005 1978 6457 8413 26

maskele(metin, "Bu metinde sadece KVKK madde 6 kapsamındaki özel nitelikli verileri maskele.")
# → Ali Kaya 0532 111 22 33 numarasından aradı, ibanı TR33 0006 1005 1978 6457 8413 26

Desteklenen politika biçimleri:

Politika	Örnek talimat
Tam maskeleme	"Metindeki tüm kişisel bilgileri maskele."
Beyaz liste	"Yalnızca IBAN ve telefon numarasını maskele."
Kara liste	"Ad soyad hariç her şeyi maskele."
Kategori	"Sadece finansal bilgileri maskele."
Rol	"Log temizleme hattında çalışıyorsun. Tüm PII'yi gizle."
Hibrit	"Maaşı gizle, ad soyad ve telefona dokunma."

Talimat verilmezse tam maskeleme varsayılır, ama her zaman açık bir talimat ver — model talimat üzerine eğitildi.

Etiketler

50 etiket, sekiz 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]`

Türkçeye özgü davranış

Model regex tabanlı çözümlerin yakalayamadığı varyasyonları tanır.

Sözle yazılmış değerler. Eğitim verisinin ~%18'i rakam yerine kelime içerir:

tc kimlik numaram otuz dört yirmi üç altmış beş yetmiş sekiz doksan bir
→ tc kimlik numaram [TCKN]

Yüzey biçimi çeşitliliği. Aynı veri boşluklu, bitişik, noktalı, tireli geçebilir:

iban:TR330006100519786457841326,telefon:05321112233
→ iban:[IBAN],telefon:[TEL]

Bağlam ayrımı. Aynı biçimdeki sayı, bağlama göre farklı sonuç verir:

vergi numaram 9840032179 ile fatura kesilsin      → vergi numaram [VERGI_NO] ile fatura kesilsin
gtip kodu 9840032179 ile gümrük beyanı açılsın    → değişmez
kartın arkasındaki güvenlik kodu 732              → kartın arkasındaki güvenlik kodu [CVV]
şube kodu 732 ve işlem kodu 419                   → değişmez

Yazım varyasyonu. İsimler küçük harfle de tanınır, kısaltmalar desteklenir (tcm, tc no, tcsi, telim, ibanım, vkn), bozuk Türkçe girdi çalışır.

Sınırlar ve bilinen sorunlar

Bunları okumadan üretime alma.

1. Değerlendirme tamamen sentetik

Eğitim ve test verisinin tamamı sentetiktir; gerçek kişilere ait kayıt içermez. Üç test seti de aynı üreticiden gelir. Yukarıdaki skorlar dağılım içi başarımdır. Gerçek kullanıcı metnindeki performans ölçülmemiştir ve daha düşük olması beklenir.

Kendi verinde ölçmeden kritik bir hatta koyma.

2. Şema dışı etiket üretebilir

Model bazen 50 etiketin dışında bir etiket uyduruyor — genellikle metindeki komşu karakter dizisinden kurarak (RoHS → [ROHS_NO], color → [COLOR]).

5.000 örnekte 9 adet görüldü (%0,18). Üretimde bir whitelist katmanı öneririz:

python

import re

GECERLI_ETIKETLER = {"[AD]", "[TCKN]", "[TEL]", "[IBAN]"}   # 50 etiketin tamamı

def whitelist_uygula(cikti):
    """Şema dışı etiket varsa satırı güvenli tarafa çeker."""
    uydurma = [e for e in re.findall(r"\[[A-Z_]+\]", cikti)
               if e not in GECERLI_ETIKETLER]
    if uydurma:
        return None      # reddet veya insan incelemesine gönder
    return cikti

Metrik raporlarken ham model skoru ile whitelist sonrası sistem skoru ayrı verilmelidir.

3. Değişmemesi gereken metni bazen değiştirir

PII içermeyen satırlarda doğruluk %98,8 (5.000 örnekte 1.871 böyle satırın 22'si). Bu, recall'u %99,9'a çıkarmanın bedelidir. Kaçırılan bir TCKN veri ihlali, fazladan maskelenen bir kelime kozmetik sorundur — takas bilinçlidir.

4. Uzun metin

max_length=512 token ile eğitildi. Daha uzun metinleri cümle veya paragraf bazında bölerek ver.

5. Yalnızca Türkçe

Başka dillerde test edilmedi.

6. Karar destek aracı değildir

Bu model bir veri minimizasyonu aracıdır, uyumluluk garantisi değildir. KVKK/GDPR sorumluluğu kullanandadır. Yasal veya güvenlik açısından kritik akışlarda insan denetimi gerekir.

Eğitim


Taban model	`Qwen/Qwen3.5-0.8B-Base`
Yöntem	LoRA (r=32, α=64), bf16, completion-only loss
Bağlam	512 token, packing yok
Veri	Sentetik Türkçe fintech/ERP metni, 50 PII etiketi, ~450.000 örnek
Split	Modül/şablon düzeyinde — aynı cümle kalıbı hem train hem test'e düşmez
Checkpoint seçimi	`eval_loss` ile değil, entity F1 ile; regresyon guardrail'leriyle
Yayım	LoRA adaptörü taban modele merge edildi — bu repo tam modeldir

Eğitim verisi, ölçülen model hatalarına göre kademeli olarak geliştirildi: her turda hata dağılımı çıkarıldı, eksik kalan cümle aileleri ve etiket bağlamları hedefli olarak üretildi, sonuç aynı dondurulmuş test setinde yeniden ölçüldü.

Alıntı

bibtex

@misc{turkish-pii-guard,
  title  = {Turkish PII Guard},
  author = {Melike Göksu Tanrıverdi},
  year   = {2026},
  url    = {https://huggingface.co/melikegks/turkish-pii-guard-0.8b}
}

Taban model Qwen3.5 — Apache 2.0.

melikegks/turkish-pii-guard-0.8b-legacy

Turkish PII Guard

Sonuçlar

Kullanım

Kapsam talimatları

Etiketler

Türkçeye özgü davranış

Sınırlar ve bilinen sorunlar

1. Değerlendirme tamamen sentetik

2. Şema dışı etiket üretebilir

3. Değişmemesi gereken metni bazen değiştirir

4. Uzun metin

5. Yalnızca Türkçe

6. Karar destek aracı değildir

Eğitim

Alıntı

melikegks/
turkish-pii-guard-0.8b-legacy