V2 CamemBERT-NER-PII French

Modèle CamemBERT V2 fine-tuné pour la détection de PII (Personally Identifiable Information) dans des documents juridiques français.

🎯 Cas d'usage

Anonymisation/pseudonymisation de documents confidentiels pour professions réglementées :

• Avocats
• Experts-comptables
• Experts judiciaires

Permet l'utilisation sécurisée de LLM en ligne (GPT, Gemini) sans exposer les données personnelles brutes.

📊 Performance

• F1 Score : 0.932683797665605
• Epoch : 4
• Dataset : Hybride (~57k exemples)
  • Dataset synthétique juridique français (15k)
  • Dataset réel multidomaine (TypicaAI/pii-masking-60k_fr)

🏷️ Entités détectées

Personnes

• NOM_PERSONNE : Noms de famille
• PRENOM_PERSONNE : Prénoms

Adresses

• NUMERO_VOIE : Numéros de rue
• NOM_VOIE : Noms de voies
• CODE_POSTAL : Codes postaux
• VILLE : Villes

Contact

• EMAIL : Adresses email
• TELEPHONE : Numéros de téléphone

Identifiants

• NUM_SECURITE_SOCIALE : Numéros de sécurité sociale (NIR)
• IBAN : Numéros IBAN français
• NUM_DOSSIER : Références de dossiers juridiques
• REF_CADASTRALE : Références cadastrales

Organisations

• NOM_SOCIETE : Noms de sociétés

Et 70+ autres catégories PII (voir documentation complète).

🚀 Utilisation

Installation

pip install transformers torch

Détection PII

from transformers import pipeline

# Charger le pipeline NER
ner = pipeline("ner",
               model="Anonym-IA/V2-camembert-ner-pii-french",
               aggregation_strategy="simple")

# Texte à anonymiser
text = """
Jean Dupont, demeurant au 42 rue de la République, 75011 Paris,
email: jean.dupont@example.com, tél: 01 42 35 67 89
"""

# Détecter les entités
entities = ner(text)

for entity in entities:
    print(f"{entity['entity_group']}: {entity['word']} ({entity['score']:.2%})")

Anonymisation complète

from transformers import AutoModelForTokenClassification, AutoTokenizer, pipeline

model = AutoModelForTokenClassification.from_pretrained("Anonym-IA/V2-camembert-ner-pii-french")
tokenizer = AutoTokenizer.from_pretrained("Anonym-IA/V2-camembert-ner-pii-french")

ner = pipeline("ner", model=model, tokenizer=tokenizer, aggregation_strategy="simple")

def anonymize(text):
    entities = ner(text)

    # Trier par position décroissante
    entities_sorted = sorted(entities, key=lambda e: e['start'], reverse=True)

    mapping = {}
    counters = {}

    anonymized = text
    for entity in entities_sorted:
        entity_type = entity['entity_group']

        # Générer marqueur
        counters[entity_type] = counters.get(entity_type, 0) + 1
        marker = f"[{entity_type}{counters[entity_type]}]"

        # Remplacer
        mapping[marker] = entity['word']
        anonymized = anonymized[:entity['start']] + marker + anonymized[entity['end']:]

    return anonymized, mapping

# Anonymiser
anonymized_text, mapping = anonymize(text)
print("Anonymisé:", anonymized_text)
print("Mapping:", mapping)

🌐 Versions ONNX (navigateur)

Deux versions ONNX sont disponibles pour l'exécution dans le navigateur :

1️⃣ ONNX FP32 (Précision maximale)

Anonym-IA/V2-camembert-ner-pii-onnx-fp32

• Taille : ~440 MB
• Précision : 100% identique au modèle PyTorch
• Usage : Serveurs, applications avec ressources suffisantes

2️⃣ ONNX INT8 Quantifié (Optimisé navigateur)

Anonym-IA/V2-camembert-ner-pii-onnx-int8

• Taille : ~110 MB (réduction de 75%)
• Précision : ~98-99% du modèle FP32
• Usage : Navigateurs web, appareils mobiles
• Chargement : ~3x plus rapide

📚 Entraînement

Dataset

Hybride :

• 15k exemples synthétiques : Documents juridiques français (jugements, actes notariés, courriers d'avocats)
• 42k exemples réels : Dataset multidomaine (TypicaAI/pii-masking-60k_fr)

Modèle de base

• CamemBERT-base (almanach/camembert-base)
• 110M paramètres
• Tokenizer SentencePiece (32k vocabulaire)

Hyperparamètres

• Epochs : 3
• Batch size : 16
• Learning rate : 2e-5
• Optimizer : AdamW (weight decay 0.01)
• Warmup ratio : 0.1

Corrections appliquées

✅ Pré-tokenisation : Évite fragmentation emails/IBANs ✅ Variantes NIR : Avec/sans espaces (format officiel) ✅ Templates juridiques : Contexte professionnel réaliste ✅ Noms avec particules : Le, De, Du, Des

🔧 Système d'anonymisation

Format de marqueurs compatible avec systèmes existants :

📄 Licence

MIT License - Libre d'utilisation, y compris à des fins commerciales.

👥 Auteurs

Projet Anonym-IA - Anonymisation de documents pour professions réglementées.

🔗 Liens

• Repo GitHub : Anonym-IA_LLM_Pseudonymisation
• Documentation : Voir dossier docs/
• Notebook Kaggle : [Lien vers votre notebook]

📊 Citation

@misc{camembert-ner-pii-french-v2,
  author = {Anonym-IA},
  title = {V2 CamemBERT-NER-PII French},
  year = {2025},
  publisher = {HuggingFace},
  url = {https://huggingface.co/Anonym-IA/V2-camembert-ner-pii-french}
}

---

Généré automatiquement le 2026-01-19 21:55:17