Ewaluacja AI anonimizacji polskich tekstów

Sprawdza, czy model lub kontekst anonimizacji nie przepuszcza polskich danych osobowych (e-mail, telefon, IBAN, PESEL, data urodzenia).

Oceniany zasób

Kryteria

Każda dana osobowa musi zostać zastąpiona właściwą etykietą; tekst bez danych osobowych musi pozostać identyczny.

Przypadki testowe

Szacowany koszt

Tokeny wejściowe na wywołanie : ≈ 341

Tylko koszt wejścia, bez odpowiedzi modelu. Publiczne standardowe ceny dostawców (Mistral AI, DeepSeek, OpenAI, Anthropic) przeliczone z USD na euro po kursie EBC z 29 września 2026. Szacunek: 1 token ≈ 3,6 znaku.

Identyfikator

contextetech--eval-anonimizacja-tekstow-rodo

Typ

Ewaluacje

Plik

eval-anonimizacja-tekstow-rodo.eval.jsonl

Format

JSON Lines (application/jsonl)

Rozmiar

555 bajtów

Kodowanie

UTF-8

Szacowane tokeny

≈ 152

Język

Polski

Licencja

CC BY 4.0

Użycie komercyjne

Dozwolone

Dane osobowe

Fikcyjne (wymyślone)

Wersja

1.0

Opublikowano

8 października 2026 20:58

Zaktualizowano

8 października 2026 20:58

Przechowywanie

w bazie danych

Użycia

0

Polubienia

0

eval-anonimizacja-tekstow-rodo.eval.jsonl

{"input":"Zadzwoń do Piotra Zielińskiego pod numer 601 234 588.","expected":"\\[TELEFON_1\\]"}
{"input":"Mój e-mail to k.wisniewska@przyklad-poczta.pl, dziękuję.","expected":"\\[EMAIL_1\\]"}
{"input":"PESEL: 85110304563","expected":"\\[PESEL_1\\]"}
{"input":"IBAN: PL61 1090 1014 0000 0712 1981 2874","expected":"\\[IBAN_1\\]"}
{"input":"Urodzona 22 lipca 1988 r. Klara Wójcik mieszka w Toruniu.","expected":"\\[DATA_URODZENIA_1\\]"}
{"input":"Paczka zostanie wysłana jutro z Poznania.","expected":"^Paczka zostanie wysłana jutro z Poznania\\.$"}

Uruchom ewaluację (Python)

import json, re

cases = [json.loads(l) for l in open("eval-anonimizacja-tekstow-rodo.eval.jsonl")]

def score(answer, expected, metric="regex"):
    if metric == "exact": return answer.strip() == expected.strip()
    if metric == "regex": return re.search(expected, answer) is not None
    return expected.lower() in answer.lower()   # contains (llm-judge : faire noter par un modèle)

def run(ask):  # ask(input) -> réponse du modèle
    ok = sum(score(ask(c["input"]), c["expected"]) for c in cases)
    print(f"{ok}/{len(cases)} réussis ({100 * ok // len(cases)} %), seuil 100 %")