Forschungsnotiz / 23. September 2026
Diese Notiz basiert auf den aufgezeichneten Trainingsläufen des Projekts ab Juli 2026, seinen Evaluierungsberichten und der Dokumentenextraktionsarbeit. Hierbei handelt es sich um interne Experimente, nicht um einen unabhängigen Benchmark oder Anspruch auf Produktionsreife.
- 01 / Frühes Modell38 / 40
Negative Zeilen markiert
Der Smoke-Test nach dem Training mit ausschliesslich positiven Beispielen erkannte Identifikatoren an Stellen, an denen keine markiert waren.
- 02 / Negativbeispiele hinzufügen0 / 40
Das gleiche Holdout
Zusätzliche Negativbeispiele im Training beseitigten diese Fehlalarme. Gleichzeitig sank der F1-Wert im sauberen Testdatensatz.
- 03 / Grössere Baseline12,000
Synthetische Trainingsreihen
Die nächste Basislinie kombinierte Modellvorhersagen mit deterministischen Regeln.
- 04 / Dokumentenvorbereitung1,829
Extrahierte Dokumentzeilen
Material zur weiteren Bewertung, kein vollständiger Genauigkeits-Benchmark.
Die Frage
Können wir vor dem Senden von Text an ein Modell identifizierende Details entfernen und gleichzeitig genügend Bedeutung für die Aufgabe behalten? Durch das Fehlen einer Kennung werden Informationen offengelegt. Durch das Entfernen von gewöhnlichem Geschäftstext wird die Anfrage weniger nützlich. Bowden muss für beide Fehler bewertet werden.
Der anfängliche Umfang konzentriert sich auf Schweizer Identifikatoren und Geschäftstexte. Die Arbeit umfasst deterministische Validatoren, synthetische Trainingsdaten, ein kleines Token-Klassifizierungsmodell und eine Hybridlaufzeit. Eine umfassendere Sprach- und Dokumentenabdeckung bleibt eine Bewertungsfrage.
Beginnen Sie mit dem, was überprüft werden kann
Strukturierte Bezeichner weisen häufig Einschränkungen auf, die der Code überprüfen kann. Zu den implementierten Regeln gehören Schweizer AHV- und UID-Prüfungen, IBAN-Validierung und ausgewählte Kontakt- oder Netzwerk-Identifikatoren. Ein gültiges Format sagt uns immer noch nicht alles über den umgebenden Text.
Der Datensatz-Builder erstellt synthetische Profile mit beschrifteten Zeichenspannen. Es trennt Schulungs- und Bewertungsprofile, schliesst verrauschte Varianten ein und verwendet zurückgehaltene Vorlagengruppen, wo es sinnvoll ist. Bei der Datensatzvalidierung werden Offsets und Profiltrennung vor dem Training überprüft.
Diese Vorbereitung ist genauso wichtig wie das Modell. Wenn die Trainings- und Testdaten dieselben einfachen Muster wiederholen, sagt uns ein gutes Ergebnis wenig über ein unbekanntes Dokument.
Lernen, was man in Ruhe lassen sollte
Ein früher MiniLM-Lauf über fünf Epochen lernte, positive Beispiele zu erkennen, sagte aber auch Identifikatoren in 38 von 40 Negativkontrollzeilen voraus. Diese Zeilen enthielten keine beschrifteten Zielentitäten. Das Modell hatte gelernt, zu leicht zu redigieren.
Beim nächsten Durchlauf wurden 200 nur für das Training vorgesehene Negativbeispiele hinzugefügt und der negative Bewertungssatz beibehalten. In keiner dieser 40 Zeilen wurden Entitäten vorhergesagt. Damit wurde der unmittelbare Fehler behoben, aber nicht das ganze Problem gelöst: Der F1-Wert im sauberen Test fiel von etwa 0,676 auf 0,635.
Die folgenden Iterationen erweiterten die Vorlagen, fügten laute E-Mail-Beispiele hinzu und variierten die Namensgrenzen. Es folgten Structured-Identifier-Rauschen und Konfidenzschwellen-Sweeps. Jede Änderung brachte einen anderen Kompromiss zum Vorschein. Bessere Ergebnisse bei einem Schnitt garantieren nicht überall bessere Ergebnisse.
Diese Zahlen stammen aus den gespeicherten Smoke-Test-Berichten. Sie beschreiben diese Experimente und nicht die aktuelle Leistung bei beliebigen Dokumenten. Lesen Sie die Zusammenfassung der Nachweise.
Regeln und ein Modell zusammen
Die Hybridlaufzeit kombiniert Regelerkennungen mit Modellvorhersagen. Strukturierte Regelbereiche haben Vorrang, wenn sich Erkennungen überschneiden, während das Modell weniger starre Kategorien wie Namen und Adressen beisteuern kann. Konfliktzählungen helfen zu erklären, was die Zusammenführungsebene geändert hat.
Die grössere Basislinie verwendete 12.000 synthetische Trainingszeilen und drei Epochen auf lokalem Apple MPS. Im ausgewogenen Hybridbericht entsprachen alle 240 Clean-Test-Zeilen und 240 Noise-Test-Zeilen den erwarteten Etikettenzahlen. Alle 160 Negativkontrollreihen blieben frei von vorhergesagten Einheiten. Der kuratierte 120-Zeilen-Belastungssatz entsprach auch den erwarteten Etikettenzahlen.
Das Anpassen der Beschriftungsanzahl ist nicht dasselbe wie das Schwärzen des richtigen Textes. Diese Auswertung vergleicht pro Zeile die Anzahl jeder Entitätsklasse. Eine Vorhersage kann die richtigen Anzahlen liefern und trotzdem falsche Zeichengrenzen wählen. Der gemeldete hybride F1-Wert von 1,0 in diesen positiven Testausschnitten bedeutet daher weder perfekte Erkennung noch den Ausschluss jeder Datenweitergabe.
Die Bewertungen beeinflussten auch nachfolgende Entwicklungsentscheidungen. Sie sind nützliche Regressionsprüfungen, ersetzen jedoch keinen neuen, unabhängig kommentierten Testsatz.
Von Vorlagen bis hin zu Dokumenten
Anschliessend untersuchte das Projekt öffentliche Dokumentenquellen in Deutsch, Französisch und Italienisch. Die Quellenüberprüfung umfasste Formulare, offizielle Leitlinien und Rechts- oder Verwaltungstexte. Der Plan trennt Negativkontrollen von Material, das für die Einfügung synthetischer Identifikatoren bestimmt ist, und zeichnet Entscheidungen zur Wiederverwendung auf.
Eine Dokumentenbrücke extrahiert jetzt zulässige lokale HTML- und PDF-Quellen in nachvollziehbare Zeilen. Die gespeicherten Extraktions- und Validierungsberichte erfassen 1.829 Zeilen. Jede Zeile kann die Quell-URL, die Prüfsumme und die Extraktionsmetadaten enthalten.
Das ist Datenaufbereitung, kein mehrsprachiges Genauigkeitsergebnis. Der Validierungsbericht enthält keine Entitätsbezeichnungen für diese extrahierten Zeilen. Eine leere Anmerkungsliste darf nicht als Nachweis dafür gewertet werden, dass ein öffentliches Dokument keine personenbezogenen Daten enthält.
Einige Quellen führten auch zu Formulareingabeseiten anstelle der Formulare selbst. Um diese Quellen nutzbar zu machen, waren Browser-Erfassung und Folgearbeiten erforderlich. Eine heruntergeladene Seite ist nicht automatisch ein verwendbares Testdokument.
Was bleibt offen
- Kommentieren Sie realistische Dokumente und testen Sie genaue Entitätsgrenzen und fehlende private Begriffe.
- Messen Sie Deutsch, Französisch, Italienisch und Englisch separat, bevor Sie eine vergleichbare Sprachabdeckung beanspruchen.
- Bewerten Sie OCR-Schäden, gemischtsprachigen Text und unbekannte Dokumentlayouts.
- Überprüfen Sie, wie der Ersatz den Nutzen der nachgelagerten Aufgabe verändert.
- Testen Sie Mapping-Speicher, Protokolle und Fehlerpfade sowie den Detektor selbst.
Bowden bleibt eine Entwicklervorschau. Ein lokaler Ersatz kann die Gefährdung verringern, garantiert jedoch keine Anonymisierung. Der umgebende Kontext und die separate Originalwertzuordnung erfordern noch Aufmerksamkeit.
Nachweise und Projektlinks
Die Quellenüberprüfung umfasste das Implementierungsprotokoll, den grösseren Trainingsplan, gespeicherte neuronale und Hybridberichte, den Hybrid-Evaluator und die Validierungsausgaben öffentlicher Dokumente. Für diesen Artikel wurde keine Schulung oder Modellbewertung erneut durchgeführt.
Laden Sie die zusammengefassten Nachweise herunter. Die Zusammenfassung enthält Dateinamen der Berichte und SHA-256-Hashes zur Nachverfolgung. Quelldokumente oder persönliche Datensätze sind nicht enthalten.
Erkunden Sie Bowden-PII oder Lesen Sie den technischen Leitfaden.