Karışık Dilli PII: Neden Tek Dilli Araçlar Başarısız Olur
2026 için güncellenmiştir.
Belgeler Dil Sınırlarını Aşar
İsviçreli bir ilaç şirketinin iş sözleşmesi tek bir dilde yazılmaz. İsviçre'nin dört resmi dili vardır. İsviçreli şirketler ana gövdede Almanca, hukuki maddelerde Fransızca ve küresel bölümlerde İngilizce karıştırır. Bu durum tek bir paragrafta bile yaşanabilir.
Belçikalı bir yönetim kurulu tutanağı Flemenkçe metin, Fransızca resmi bölümler ve İngilizce özetler içerir. Küresel bir veri anlaşmasında İngilizce teknik özellikler ve Almanca hak maddeleri bir arada bulunabilir.
Bu nadir değildir. DAHC ve AB firmaları için bu durum kuraldır. Tek dilli PII araçları bu dosyalarda başarısız olur.
%45'lik Kaçırma Oranı Farkı
Tek dilli NER araçları, karışık dosyalarda %45 daha yüksek PII kaçırma oranına sahiptir. Bu, tamamen tek dilli dosyalarla karşılaştırıldığında ortaya çıkan bir değerdir.
Temel neden tasarımdır. Almanca metinle eğitilmiş bir model, yerel isim formlarını ve adres kurallarını bilir. Fransızca bir bölümle karşılaştığında eğitim alanının dışına çıkar. O bölümdeki isimler ve kimlikler zayıf tespit alır. Model güçsüz değildir; farklı bir dil için geliştirilmiştir.
EDPB 2024 çalışması, AB firmalarının %72'sinin aynı anda üç veya daha fazla dildeki dosyaları işlediğini ortaya koymuştur. Gartner 2024 ise çok dilli İK dosyalarında tek dilli dosyalara kıyasla sayfa başına %67 daha fazla PII bulunduğunu saptamıştır. Daha fazla PII artı daha fazla kaçırma bu açığı katlar.
Geçerli kurallar için GDPR kılavuzumuza bakın.
Hataların Kümelendiği Noktalar
Başarısızlık bir dosyada eşit dağılmaz. Bölüm geçişlerindeki PII en yüksek riske maruz kalır.
Şunu düşünün: Almanca cümle yapısı, Fransızca bir çalışan adı ve Fransızca bir doğum tarihi — hepsi aynı satırda. NER modeli, yerel bir ad beklediği yerde Fransızca isimle karşılaşır; bunu işaretlemeyebilir. Fransızca eğitimli bir model ise Almanca bağlam sözcüklerini görür ve yapıyı okuyamaz.
İK dosyaları bu durumu maliyetli kılar. Gartner, karışık İK dosyalarında sayfa başına %67 daha fazla PII bulunduğunu saptadı. Bölüm geçişlerindeki hatalar, en fazla kişisel veri içeren dosya türünde en büyük zararı verir.
Çapraz Dilli Modeller Bu Sorunu Çözer
XLM-RoBERTa aynı anda 100 dildeki metinlerle eğitilir. Dil başına ayrı model kullanmaz. Ad tespitinin Almanca, Fransızca ve İngilizce bağlamlarda aynı şekilde çalıştığını öğrenir. Bir ad ve bağlamı, farklı dillerde aynı yapıyı paylaşır.
Karışık dosyalarda model, bölüm geçişinde yeniden başlamaz. Tam metni tek bir blok olarak okur. Her noktada aynı varlık kurallarını uygular.
Almanca ve Fransızca üzerinde ince ayar her dil için hassasiyeti artırır. Ancak çapraz dilli temel, tek dilli modellerin başarısız olduğu geçişlerde PII'yi yakalar.
Bölümlerin dil sınırlarını aştığı DACH firmaları için bu gerçek bir kazanımdır. Tek dilli araçların geçişlerde kaçırdığı varlıklar, çapraz dilli modeller tarafından bulunur.
Anonym.legal'ın bunu nasıl ele aldığı için güvenlik sayfamıza bakın.
Hemen Atılacak Adımlar
Aracınızın kapsamını kontrol edin. Satıcınızdan yerel bazda geri çağırma puanları isteyin. "Birçok dili destekler" ifadesi, metnin önce makine çevirisinden geçirildiği anlamına gelebilir. Bu, yerel tarama değildir.
Dosyalarınızı yerel dile göre eşleyin. %60 Almanca, %30 Fransızca ve %10 İngilizce içeren bir DACH firmasının farklı boşlukları vardır.
Bölüm geçiş örnekleriyle test edin. On karışık dilli madde örneğiyle bir test seti oluşturun. Yalnızca ana dil bölümlerinde değil, tüm dosya genelinde geri çağırma oranını kontrol edin.
DPIA'larınızı gözden geçirin. Tek dilli kayıtlara dayalı bir DPIA eksik olabilir. Bir denetim yapmadan önce düzeltin.
API ayrıntıları ve varlık kapsamı için fiyatlandırma sayfasına bakın.
Anonym.legal; Almanca, Fransızca, İngilizce ve 45 daha fazla dilde bölüm geçişlerinde PII tespiti için XLM-RoBERTa'nın yanı sıra yerel spaCy ve Stanza modelleri kullanır.