---
license: apache-2.0
language:
- it
pipeline_tag: token-classification
library_name: gliner
---
### Model Card: Gliner - Modello Generalista per l'Identificazione di PII

#### Descrizione del Modello
Il modello è progettato per identificare e classificare informazioni personali identificabili (PII) all'interno di documenti di testo. Il modello è stato addestrato per essere generalista, ovvero in grado di riconoscere una vasta gamma di tag PII, ma con una specializzazione nell'identificazione dei tag più comuni e rilevanti nell'ambito amministrativo, legale e finanziario.

#### Ambiti di Applicazione
Particolarmente efficace nell'analisi di documenti legali, contratti, registri finanziari, e documenti amministrativi dove è fondamentale identificare e classificare correttamente le informazioni personali per la conformità alle normative sulla privacy (come il GDPR).

#### Tag Supportati
Il modello è stato addestrato con un totale di 11706 tag differenti. Alcuni esempi di tag che il modello può riconoscere includono:

- **Nome del cliente**: Identifica il nome completo di un cliente.
- **Comune di nascita**: Riconosce il comune in cui una persona è nata.
- **Indirizzo di residenza**: Riconosce l'indirizzo di residenza di una persona.
- **Codice fiscale**: Riconosce il codice fiscale di un individuo o di un'azienda.
- **Numero di documento**: Identifica numeri di documenti identificativi come passaporti, carte d'identità, ecc.
- **Importo della transazione**: Riconosce importi monetari relativi a transazioni finanziarie.
- **Particella catastale**: Identifica il numero di particella catastale relativo a un immobile.
- **Nome dell'azienda**: Riconosce il nome ufficiale di un'azienda.
- **IBAN**: Identifica numeri di conti bancari in formato IBAN.
- **Indirizzo IP**: Riconosce indirizzi IP associati a utenti o dispositivi.

#### Performance
Il modello è stato addestrato su un ampio dataset contenente circa 200K di esempi annotati manualmente per ciascun tipo di PII. 

#### Limitazioni
- **Variabilità dei Dati**: Gliner può avere difficoltà nell'identificare PII in documenti non strutturati o con formattazioni molto diverse da quelle presenti nel set di addestramento.
- **Tag Rari**: Il modello può mostrare performance ridotte su tag meno comuni o su quelli che non erano ben rappresentati nel set di addestramento.
- **Bias**: Come tutti i modelli di machine learning, Gliner può essere soggetto a bias derivanti dal dataset di addestramento.

## Installation
To use this model, you must install the GLiNER Python library:
```
!pip install gliner
```

## Usage
Once you've downloaded the GLiNER library, you can import the GLiNER class. You can then load this model using `GLiNER.from_pretrained` and predict entities with `predict_entities`.

```python
from gliner import GLiNER

model = GLiNER.from_pretrained("DeepMount00/GLiNER_PII_ITA")

text = """..."""

labels = ["label1", "label2"]

entities = model.predict_entities(text, labels)

for entity in entities:
    print(entity["text"], "=>", entity["label"])
```