Exemples d'anonymisation de textes en français (RGPD) pour l'entraînement de modèles de langage
Published by ContexteTech
About this dataset
Jeu de 20 exemples rédigés à la main, en français, pour apprendre à un modèle de langage (LLM) à remplacer les données personnelles d'un texte par des balises numérotées (\[NOM\_1], \[TELEPHONE\_1], \[IBAN\_1]…) avant de l'envoyer à un service tiers. Des cas sans aucune donnée personnelle sont inclus, pour que le modèle apprenne à les laisser intacts. Toutes les personnes, adresses, numéros de téléphone, e-mails et IBAN sont fictifs. Format : JSONL au format conversationnel (messages system, user, assistant), prêt pour le fine-tuning supervisé (TRL, Axolotl, Unsloth). Ce jeu fait partie d'une chaîne complète publiée sur ContexteTech ( ), hub open source de ressources pour LLM, hébergé en Europe : contexte d'anonymisation sans entraînement, évaluation, configuration LoRA pour Mistral 7B et agent de traitement de dossiers. Méthode complète :