Vör finnur persónuupplýsingarnar

Í síðustu viku fékk ég lánaða DGX Spark frá Nvidia til prófunar. Skjákortið deilir vinnsluminni með örgjörvanum; stýrikerfið sér um 122 GiB. Það dugði til LoRA-fínstillingar á líkani með 31 milljarði stika á einni borðtölvu. Þjálfun og mat fóru fram 23.–26. október.

Út komu tvö líkön, bæði byggð á Gemma 4 frá Google. Norn v4 er almennt íslenskt líkan sem beygir nafnorð rétt í 85,6% af 480 prófspurningum úr Beygingarlýsingu íslensks nútímamáls, samkvæmt eigin mati á líkaninu fyrir kvöntun. Grunnlíkanið nær 70%. Hitt líkanið heitir Vör og gerir aðeins eitt. Það les íslenskan texta og leitar að persónuupplýsingum í honum.

Vör merkir hvert atriði með tegund og lagagrunni. Nafn og kennitala eru almennar persónuupplýsingar samkvæmt 3. gr. laga nr. 90/2018. Heilsufar, stéttarfélagsaðild og trúarskoðanir eru viðkvæmar. Sakaskrá og fjárhagsupplýsingar fá sína flokka. Að lokum segir hún hvort skjalið í heild sé viðkvæmt.

Á 317 prófskjölum fann Vör 98,7% aðgreindra samræmdra textabrota með persónuupplýsingum (1.428/1.447), án kröfu um rétt tegundarmerki og 99,7% beinna auðkenna. Ég prófaði líka nöfn sem hún sá aldrei í þjálfun, og þar fann hún 324 af 327. Þetta styður alhæfingu yfir á óséð nöfn innan dreifingar gerviprófgagnanna.

Prófskjölin eru þó gerviskjöl, eins og öll gögnin sem hún lærði af, og engin raunveruleg manneskja kemur fyrir í þeim. Næsta skref er að yfirfara hundrað skjöl handvirkt og prófa hana síðan á raunskjölum. Hún er líka veikari á stökum setningum en heilum skjölum, og sakaskrá er sá flokkur sem hún finnur síst.

Bæði líkönin eru opin á Hugging Face og keyra í Ollama á vél með stóru skjákorti (24 GB eða meira).

• Vör á Hugging Face
• Norn v4 á Hugging Face

Nafnið er fengið úr Gylfaginningu, þar sem Vör er ein ásynjanna. „Hon er ok vitr ok spurul, svá at engi hlutr má hana leyna.“