ملی جلی زبانوں میں PII: یک زبانی ٹولز کیوں ناکام ہوتے ہیں
2026 کے لیے اپ ڈیٹ کیا گیا۔
دستاویزات زبانی حدود کو عبور کرتی ہیں
سوئس فارما فرم کا ملازمت کا معاہدہ ایک ہی زبان میں نہیں ہوتا۔ سوئٹزرلینڈ کی چار سرکاری زبانیں ہیں۔ سوئس فرمیں مرکزی متن میں جرمن، قانونی شقوں میں فرانسیسی، اور عالمی حصوں میں انگریزی ملاتی ہیں۔ یہ ایک ہی پیراگراف میں ہو سکتا ہے۔
بلجیئن بورڈ کی میٹنگ کے منٹس میں ڈچ متن، فرانسیسی رسمی حصے، اور انگریزی خلاصے ہوتے ہیں۔ ایک عالمی ڈیٹا معاہدے میں انگریزی تکنیکی وضاحتیں اور جرمن حقوق کی شقیں ہو سکتی ہیں۔
یہ کوئی غیر معمولی بات نہیں ہے۔ DACH اور EU فرمز کے لیے یہ معمول ہے۔ یک زبانی PII ٹولز ان فائلوں پر ناکام ہو جاتے ہیں۔
45% مِس ریٹ کا خلاء
یک زبانی NER ٹولز میں ملی جلی فائلوں پر PII مِس ریٹ 45% زیادہ ہے۔ یہ خالص یک زبانی فائلوں کے مقابلے میں ہے۔
بنیادی وجہ ڈیزائن ہے۔ جرمن متن پر تربیت یافتہ ماڈل مقامی نام کی اشکال اور پتے کے اصول جانتا ہے۔ جب یہ فرانسیسی حصے سے ٹکراتا ہے تو یہ اپنی تربیتی حد سے باہر ہو جاتا ہے۔ اس حصے میں نام اور IDs کا کمزور پتہ لگایا جاتا ہے۔ ماڈل کمزور نہیں ہے — یہ مختلف زبان کے لیے بنایا گیا تھا۔
EDPB 2024 نے پایا کہ EU کی 72% فرمیں ایک وقت میں تین یا زیادہ زبانوں میں فائلیں پروسیس کرتی ہیں۔ Gartner 2024 نے پایا کہ کثیر زبانی HR فائلوں میں فی صفحہ 67% زیادہ PII ہے یک زبانی فائلوں کے مقابلے میں۔ زیادہ PII اور زیادہ مِس ریٹ مل کر خلاء کو بڑھاتے ہیں۔
لاگو ہونے والے قوانین کے لیے ہماری GDPR گائیڈ دیکھیں۔
غلطیاں کہاں مرکوز ہوتی ہیں
ناکامی فائل میں یکساں نہیں ہوتی۔ سیکشن تبدیلیوں پر PII سب سے زیادہ خطرے میں ہوتی ہے۔
یہ شق سوچیں: جرمن جملے کی ساخت، ایک فرانسیسی ملازم کا نام، اور ایک فرانسیسی تاریخ پیدائش — سب ایک ہی لائن میں۔ NER ماڈل وہاں فرانسیسی نام دیکھتا ہے جہاں وہ مقامی نام کی توقع کرتا ہے۔ یہ اسے نشان زد نہیں کر سکتا۔ فرانسیسی زبان پر تربیت یافتہ ماڈل جرمن سیاق و سباق کے الفاظ دیکھتا ہے اور ساخت نہیں پڑھ سکتا۔
HR فائلیں اسے مہنگا بناتی ہیں۔ Gartner نے ملی جلی HR فائلوں میں فی صفحہ 67% زیادہ PII پایا۔ سیکشن تبدیلیوں پر غلطیاں سب سے زیادہ ذاتی ڈیٹا والی فائل کی قسم میں سب سے زیادہ تکلیف دہ ہوتی ہیں۔
کراس لینگوئل ماڈلز اسے درست کرتے ہیں
XLM-RoBERTa ایک ساتھ 100 زبانوں کے متن پر تربیت یافتہ ہے۔ یہ فی زبان نیا ماڈل استعمال نہیں کرتا۔ یہ سیکھتا ہے کہ نام کا پتہ لگانا لسانی سیاق و سباق میں یکساں طریقے سے کام کرتا ہے۔ جرمن، فرانسیسی، اور انگریزی میں نام اور اس کا سیاق و سباق ایک جیسی ساخت کا اشتراک کرتے ہیں۔
ملی جلی فائلوں کے لیے، ماڈل سیکشن تبدیلی پر سوئچ نہیں کرتا۔ یہ پورے متن کو ایک بلاک کے طور پر پڑھتا ہے۔ یہ ہر جگہ یکساں اینٹیٹی اصول لاگو کرتا ہے۔
جرمن اور فرانسیسی پر فائن ٹیوننگ سے ہر زبان کے لیے الگ درستگی بڑھتی ہے۔ لیکن کراس لینگوئل بیس ان تبدیلیوں پر PII پکڑتا ہے جہاں یک زبانی ماڈلز ناکام ہوتے ہیں۔
DACH فرمز کے لیے جن کی فائلیں لسانی حصوں کو عبور کرتی ہیں، یہ ایک حقیقی فائدہ ہے۔ یک زبانی ٹولز سے تبدیلیوں پر چھوٹ جانے والی اینٹیٹیز کراس لینگوئل ماڈلز سے مل جاتی ہیں۔
anonym.legal یہ کیسے سنبھالتا ہے اس کے لیے ہمارا حفاظتی اقدامات کا صفحہ دیکھیں۔
ابھی اٹھائے جانے والے اقدامات
اپنے ٹول کی حد جانچیں۔ اپنے وینڈر سے لوکیل کے لحاظ سے ریکال اسکور مانگیں۔ "کئی زبانوں کو سپورٹ کرتا ہے" کا مطلب یہ ہو سکتا ہے کہ متن پہلے مشینی ترجمے سے گزرتا ہے۔ یہ مقامی اسکیننگ نہیں ہے۔
اپنی فائلوں کو لوکیل کے لحاظ سے نقشہ بنائیں۔ 60% جرمن، 30% فرانسیسی، اور 10% انگریزی والی DACH فرم کے مختلف خلاء ہیں۔
سیکشن تبدیلی کے نمونوں کے ساتھ آزمائیں۔ دس ملی جلی زبانی شق کی مثالوں کے ساتھ ایک ٹیسٹ سیٹ بنائیں۔ پوری فائل میں ریکال جانچیں، صرف مرکزی زبان کے حصوں میں نہیں۔
اپنے DPIAs جانچیں۔ یک زبانی ریکارڈز پر بنایا گیا DPIA نامکمل ہو سکتا ہے۔ آڈٹ سے پہلے اسے درست کریں۔
API کی تفصیل اور اینٹیٹی کوریج کے لیے، قیمت کا صفحہ دیکھیں۔
anonym.legal XLM-RoBERTa کے ساتھ مقامی spaCy اور Stanza ماڈلز استعمال کرتا ہے۔ یہ جرمن، فرانسیسی، انگریزی، اور 45 مزید لوکیلز میں سیکشن تبدیلیوں پر PII تلاش کرتا ہے۔