Ertas para Pipelines de Redacción de PII
Entrena en Ertas Studio un modelo pequeño que detecta y oculta nombres, correos, teléfonos, direcciones y números de identificación en tus textos. Expórtalo y ejecútalo en tus propios servidores, para que los documentos que procesa se queden contigo. Pensado para equipos que limpian texto antes de que entre en conjuntos de entrenamiento de IA, índices de búsqueda u otras herramientas.
The Challenge
Las organizaciones que manejan datos de clientes para proyectos de AI/ML deben redactar la PII antes de cualquier entrenamiento de modelos o ingestión en RAG. La redacción manual es lenta y propensa a errores. Los scripts basados en expresiones regulares omiten casos extremos. Las herramientas de redacción en la nube requieren una salida de datos que los clientes regulados prohíben.
The Solution
Con Ertas Studio puedes entrenar un modelo que oculta datos personales tal como lo necesitan tus textos. Cada ejemplo de entrenamiento combina un pasaje de texto (el turno USER) con el mismo pasaje reescrito, con los datos personales sustituidos por marcadores como [NAME], [EMAIL] o [MEDICAL_ID] (el turno ASSISTANT). Crea esos ejemplos en Data Craft, donde los revisores los editan, versionan y aprueban, o súbelos en JSONL. Como el modelo aprende de ejemplos, puede captar los formatos que se les escapan a los scripts de expresiones regulares, como nombres en posiciones inusuales, formatos de identificación locales o direcciones repartidas en varias líneas.
El entrenamiento se hace en las GPU en la nube de Ertas, así que el conjunto de entrenamiento se sube a Ertas. Constrúyelo con registros sintéticos o con texto ya desidentificado, y deja fuera los documentos originales que piensas procesar. Entrena varios modelos pequeños en paralelo, evalúa cada uno con pasajes reservados para contar las entidades omitidas y el texto ocultado de más, y exporta el mejor desde Hub como GGUF o safetensors completos. Se ejecuta en tus propios servidores con llama.cpp, Ollama o vLLM, de modo que los documentos que procesa se quedan en tu infraestructura. Trata su salida como cualquier otro paso de anonimización: revisa muestras y mantén a una persona comprobando los casos más importantes.
Key Features
Reglas de PII Definidas con Ejemplos
Elige qué tipos de entidad ocultar y cómo (enmascarar, sustituir por un marcador con su tipo o eliminar) mostrando al modelo ejemplos de cada caso. Para cambiar las reglas, cambia los ejemplos y vuelve a entrenar.
Revisión de Ejemplos en Data Craft
Crea pares de entrenamiento como turnos USER y ASSISTANT, edítalos, versiónalos y registra cuáles ha aprobado un revisor, para que el modelo aprenda de ocultaciones que tu equipo ya validó.
Mide las Omisiones Antes de Desplegar
Entrena varias ejecuciones en paralelo y compáralas con pasajes reservados, contando entidades omitidas y texto ocultado de más, antes de elegir el modelo que vas a desplegar.
Se Ejecuta en tus Propios Servidores
Exporta el modelo como GGUF o safetensors completos y ejecútalo con llama.cpp, Ollama o vLLM dentro de tu red. Los documentos que procesas en inferencia se quedan ahí.
Example Workflow
Un proveedor de servicios recibe documentos sanitarios de un cliente para un proyecto de PLN clínico y necesita eliminar nombres de pacientes, números de historia clínica y direcciones antes de que nadie del proyecto los lea. El equipo genera unos miles de notas clínicas sintéticas con el formato del cliente, con pacientes, números de historia y direcciones ficticios, y crea pares de entrenamiento en Data Craft: la nota como turno USER y la nota anonimizada como turno ASSISTANT. El responsable de privacidad del cliente revisa y aprueba una muestra de los ejemplos. En Ertas Studio, el equipo entrena en paralelo sobre Qwen 2.5 1.5B y Llama 3.2 3B, y evalúa cada modelo con notas sintéticas reservadas y con un pequeño conjunto que el cliente desidentificó a mano. Exportan el mejor modelo desde Hub como GGUF, y el cliente lo ejecuta con llama.cpp en un servidor de su propia red sobre los documentos reales. El personal del cliente revisa por muestreo la salida anonimizada antes de entregarla al equipo de PLN.
Compliance & Security
Un modelo de anonimización es un control dentro de un proceso de desidentificación. Si ese proceso responde a la minimización de datos del RGPD, al estándar de desidentificación de HIPAA o a los requisitos de gobernanza de datos de la Ley de IA de la UE es algo que deben decidir tu organización y sus asesores. Lo que Ertas cambia es dónde se hace el trabajo. Una vez exportado, el modelo se ejecuta en tus propios servidores, así que los documentos que procesa se quedan en tu infraestructura. El entrenamiento se hace en las GPU en la nube de Ertas, así que mantén el conjunto de entrenamiento sintético o ya desidentificado, y borra los datasets de Studio cuando ya no los necesites. Revisa una muestra de la salida antes de confiar en ella, porque ningún modelo detecta todas las entidades.
Related Resources
Ship AI that runs on your users' devices.
Start free with 150 credits after card verification. Paid plans from $20/mo USD.