Generare dati sintetici per rizzo-pii

1. Cosa sono i dati sintetici e perché sono importanti

I dati sintetici sono dati generati da un modello (in questo caso un LLM) che ne riproducono struttura, linguaggio e distribuzione, ma non contengono informazioni reali. Qui si tratta di esempi “PII” in prosa legale italiana: testi con etichette BIO esatte e checksum matematicamente validi per codice fiscale, partita IVA e IBAN — ma nessun dato personale vero.

Perché sono importanti:

Privacy per costruzione — il modello impara a riconoscere gli identificativi senza che alcuna PII reale entri nel dataset o attraversi la rete (GDPR).
Corpus per addestramento e validazione — rizzo-pii:0.3B viene addestrato e testato su 22 categorie di dati personali, inclusi identificativi specifici del diritto italiano (CF, PIVA, dati catastali) che nessun modello open copre.
Contributo community senza rischi — chiunque può generare nuovi esempi sul proprio hardware e proporne una Pull Request sul dataset; un maintainer la revisiona prima del merge.
Testo davvero nuovo ad ogni esecuzione — con la propria chiave API (o il proprio modello locale) l'LLM scrive nuovi template legali a ogni run (prosa diversa, temperatura alta) e il codice vi inietta i dati: ogni contributore produce contenuto nuovo, non solo nuovi valori sugli stessi template.

Il principio del progetto è: “LLM autore, codice etichettatore” — l'LLM scrive solo la prosa con segnaposto; il codice inietta i valori, le etichette BIO esatte e i checksum validi.

2. Il progetto: rizzo-pii

Local, reversible PII anonymization for Italian legal text — use frontier models without giving up your data.

rizzo-pii è uno strumento locale basato su rizzo-pii:0.3B, un modello di token-classification italiano-first (backbone mmBERT/ModernBERT, ~0.3B parametri, ~0.5 GB di RAM, CPU-friendly) che rileva 22 categorie di dati personali, inclusi gli identificativi del diritto italiano: codice fiscale, partita IVA, dati catastali.
Il funzionamento: anonimizza localmente il documento → sostituisce i dati con placeholder salvati in un dizionario locale reversibile → invia solo i placeholder al frontier LLM in cloud (ChatGPT / Claude / Gemini) → ripristina localmente i valori originali dalla risposta.
L'obiettivo: poter usare i modelli frontier su documenti sensibili senza che i dati reali lascino mai il dispositivo, anche per chi è vincolato dal GDPR.
I destinatari: studi legali, commercialisti, notarai e chiunque lavori su documenti contenenti PII senza volerli esporre a server che non controlla (log, cache, retention, data breach).

Le due modalità di anonimizzazione

Reversibile (workflow base): i valori originali restano nel dizionario locale e il documento può essere ripristinato in qualsiasi momento al dato precedente.
Irreversibile: i dati vengono sostituiti senza conservare i mezzi di ripristino — non si può tornare indietro. Utile quando il documento va condiviso, pubblicato o archiviato senza alcuna possibilità di re-identificazione (e senza conservare localmente il dizionario).

I dati sintetici che genero alimentano il dataset community del progetto: rizzoaiacademy/anonimizzazione-testi-italiano su Hugging Face.

3. Hardware e modello per la generazione

Componente	Scelta
GPU	NVIDIA GeForce RTX 3090 (24 GB VRAM)
Motore di inference	llama.cpp, server in modalità OpenAI-compatibile
Modello	`Qwen3.8-27B-GSQ-RCO-IQ3_S-mtp` (variante quantizzata, MTP)

Un modello ~27B in quantizzazione a 3 bit sta comodo nei 24 GB della 3090 e viene servito in locale: nessuna chiave API, nessun prompt che lascia la macchina — coerente con un progetto sulla privacy.

4. Mini guida: contribuire da casa

Prerequisiti

Python 3.x con pip
Account Hugging Face con token (hf auth login oppure HF_TOKEN)
GPU locale con llama.cpp (nel mio caso la 3090) — oppure una chiave Gemini (aistudio.google.com/apikey)

1. Clona il repository

git clone https://github.com/Rizzo-AI-Academy/rizzo-pii
cd rizzo-pii

2. Ambiente virtuale e dipendenze

python -m venv .venv
source .venv/bin/activate          # Windows: .venv\Scripts\activate
pip install -r requirements.txt    # include huggingface_hub; per i dati NON serve torch

3. Avvia llama.cpp con il modello

llama-server -m Qwen3.8-27B-GSQ-RCO-IQ3_S-mtp.gguf --port 8080

Va bene qualsiasi endpoint OpenAI-compatibile: llama.cpp, Ollama, vLLM, LM Studio.

4. Imposta le variabili d'ambiente (da non committare)

export HF_TOKEN="hf_xxx"
export LLM_BASE_URL="http://localhost:8080/v1"
export LLM_MODEL="Qwen3.8-27B-GSQ-RCO-IQ3_S-mtp"
export OPENAI_MODEL="Qwen3.8-27B-GSQ-RCO-IQ3_S-mtp"
export MODEL="Qwen3.8-27B-GSQ-RCO-IQ3_S-mtp"

Se usi Gemini al posto del modello locale: export GEMINI_API_KEY=… (PowerShell: $env:GEMINI_API_KEY=…).

5. Prova locale senza caricare nulla

python src/data_pipeline/contribute_dataset.py --n 300 --handle iltuonome --no-upload

Controlla l'output (distribuzione dei tag) prima del batch vero.

6. Genera il batch e apri la Pull Request

python src/data_pipeline/contribute_dataset.py --n 5000 --handle iltuonome \
  --per-type 3 --boost ORG=6 IBAN=4 CF=4 CATASTO=3 DOCID=3

–per-type N — quanti nuovi template per tipo di documento far scrivere all'LLM (default 2)
–boost TAG=N — rinforza i tag più deboli del dataset
–no-upload — solo locale, per vedere cosa verrebbe inviato
–offline — usa solo i template built-in (dati meno “nuovi”: da evitare se si può)

Lo script apre una Pull Request sul dataset rizzoaiacademy/anonimizzazione-testi-italiano; un maintainer la revisiona prima del merge.

Scritto da ugo formattato in docuwiki syntax da ai.