Türkçe metindeki kişisel verileri talimat-koşullu tespit edip yerinde maskeleyen 0.8B parametreli model. Bu repo kullanıma hazır tam modeldir (LoRA adaptörü taban modele merge edilmiştir).

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:

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 0.823 · beyaz liste 0.930 · kara liste 0.700 · kapsam dışı 0.970 · negatif 1.000. Zor dilimler: ekli PII 0.879 · BÜYÜK HARF 0.811 · uzun metin 0.792 · sözle yazım 0.730.

Eğitim


Taban model	Qwen/Qwen3.5-0.8B
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: talimat ve metin tek user turnundadır, metin Metin: önekiyle verilir.

python

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

MODEL = "cagrigungor/pii-guard-turkish-0.8b"
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"<|im_start|>user\n{talimat}\n\nMetin: {metin}<|im_end|>\n"
              f"<|im_start|>assistant\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("<|im_end|>"),
                               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]

do_sample=False kullan; maskeleme belirlenimci bir görevdir.

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

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.
Şema dışı etiket üretebilir. Üretimde 53 etiketlik bir whitelist katmanı öneririz; şema dışı etiket içeren çıktıyı reddedip insan incelemesine gönder.
Zayıf dilimler (benchmark kırılımından): kara liste talimatları ve sözle yazılmış uzun sayı dizileri en düşük skorlu dilimlerdir. Bu dilimlerde çıktı doğrulaması ekle.
Yalnızca Türkçe. Başka dillerde test edilmedi.
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-0.8b}
}