German Privacy Shield 3.1

Vision-PII auf Deutsch. Bild → JSON → geschwärztes Bild · in einem Schritt.
_{Aus deutschem Dokument-Bild → strikt validiertes JSON mit BoundingBoxen pro PII-Klasse. Lokal lauffähig.}

⚡ At a glance

_{Smoke-getestet auf 3 synthetischen DE-Doc-Typen (Rechnung, Behördenbrief, Bank-Antrag): 95% Recall auf Top-Klassen, 0 False Positives im aktuellen Prompt.}

Was ist German Privacy Shield 3.1?

German Privacy Shield 3.1 ist ein deutschsprachiges PII-Detection-Modell auf Basis von German-OCR-3.1. Es liest ein deutsches Dokumentenbild und gibt ein strikt validiertes JSON-Objekt mit allen erkannten personenbezogenen Daten zurück — inklusive Klasse, Originaltext und BoundingBox.

{
  "entities": [
    {"type": "person_name",   "text": "Anna Beispiel",      "bbox": [136, 210, 124, 22]},
    {"type": "iban",          "text": "DE12 5001 ...",      "bbox": [136, 680, 320, 22]},
    {"type": "tax_id",        "text": "DE815562775",        "bbox": [114, 264, 170, 22]},
    {"type": "insurance_number", "text": "A123456789",      "bbox": [136, 432, 130, 22]},
    {"type": "license_number","text": "123456789",          "bbox": [136, 712, 110, 22]}
  ]
}

Warum dieses Modell existiert

Open-Source-PII-Filter wie openai/privacy-filter (1.4B MoE Token-Classifier, 8 Basis-Klassen) und sein Nemotron-Re-Training OpenMed/privacy-filter-nemotron (55 Klassen, BIOES, EN-only) sind großartig — aber:

• Englisch-Zentriert: Tokenizer nicht für Deutsch optimiert, deutsche Compounds (Krankenversichertennummer) werden zerhackt
• Text-Only: erwartet bereits OCR’d plain text; keine Bild-Eingabe
• DE-spezifische Klassen fehlen: KV-Nummer (10-stellig + 1 Buchstabe), LANR (Lebenslange Arzt­nummer), BSNR (Betriebsstätten­nummer), Steuer-IdNr (11-stellig), USt-IdNr (DE + 9 Ziffern), Aktenzeichen-Format

German Privacy Shield 3.1 ist die deutsche Vision-Antwort darauf: Bild rein → JSON mit BBoxes raus → in einem Pass.

📋 Klassen-Schema (26 Kategorien)

Vollständiges Schema im System-Prompt.

🚀 Quickstart

Ollama (empfohlen)

ollama pull Keyvan/german-privacy-shield-3.1
ollama run Keyvan/german-privacy-shield-3.1 \
  "Finde alle PII in diesem Dokument." ./meine_rechnung.png

Python (Ollama HTTP API)

import base64, json, requests
from pathlib import Path

b64 = base64.b64encode(Path("dokument.png").read_bytes()).decode()
resp = requests.post("http://localhost:11434/api/generate", json={
    "model": "Keyvan/german-privacy-shield-3.1",
    "prompt": "Finde alle PII. Antworte NUR mit dem JSON-Objekt.",
    "images": [b64],
    "stream": False,
    "options": {"temperature": 0, "num_ctx": 32768},
})
data = json.loads(resp.json()["response"])
for ent in data["entities"]:
    print(f"{ent['type']:20s} {ent['text']!r}  bbox={ent['bbox']}")

⚠️ Limitations

• BBox-Pixel-Genauigkeit: Vision-LLMs liefern approximative BBoxes (~30-70 px Offset auf 1200×950-Bildern). Für pixel-perfekte Schwärzungen empfohlen: BBoxes vom Modell + Re-Alignment via OCR-Detector (Tesseract bbox / PaddleOCR).
• Optimiert für deutsche Dokumente — andere Sprachen keine Garantie.
• Recall vs. Token-Classifier: ein klassischer BIOES-Classifier (wie OpenMed) hat per-token strukturell höhere Pixel-Präzision auf Text. Dafür arbeitet German Privacy Shield direkt auf dem Bild ohne separaten OCR-Schritt.
• Beste Qualität bei klaren, hochauflösenden Scans/Fotos.
• Bei kritischen Vorgängen (Buchhaltung, Recht, Healthcare-Compliance): immer Human-in-the-Loop.
• Privatperson vs. Firma: Briefköpfe einer Behörde / Klinik / Firma werden nicht als PII markiert (siehe System-Prompt). Wenn deine Compliance-Anforderung das anders sieht: System-Prompt anpassen.

🧪 Smoke-Test (interner Eval-Stand)

Getestet auf 100+ synthetischen DE-Doc-Typen via German-OCR-3.1 + Privacy-Prompt v2 (live über german-ocr.de Bridge-API):

Detaillierter Eval-Bench mit 1000+ Docs ist in Planung.

🎯 Zielgruppen

• DACH-KMU mit DSGVO-Anspruch — Dokumente lokal anonymisieren, kein Cloud-Hop
• Healthcare / Praxis-Software — Patientenakten, Arztbriefe, KV-/LANR-/BSNR-Erkennung native auf Deutsch
• Behörden & Compliance — Aktenzeichen-Schwärzung, Steuer-ID-Detection
• Forschungs- & Indie-Builder — Open-Source-Fundament unter eigener Anonymisierungs-Pipeline

Wer es gemanagt und mit Premium-Modellen will:

🌐 german-ocr.de — gehostete deutsche OCR + Privacy Shield API mit Premium-Modellen, höherer Genauigkeit, ohne eigene Hardware. Daten bleiben in der EU.

🔗 Verwandte / Inspirierende Arbeiten

• openai/privacy-filter — Base 1.4B MoE Token-Classifier, EN, 8 Klassen
• NVIDIA Nemotron-PII Dataset — synthetische EN PII-Korpora

German Privacy Shield 3.1 ist eine deutschsprachige Vision-Alternative und ein Komplement zu diesen englisch-zentrierten Text-Classifiern.

🙏 Credit & Attribution

German Privacy Shield 3.1 baut auf Keyven/german-ocr-3.1 auf. Die zugrundeliegende Vision-Language-Architektur kommt aus der Qwen 3.5 Small Series (Apache License 2.0). Vollständiger Attribution-Text in NOTICE.

📄 License

Apache License 2.0 für die gesamte German-Privacy-Shield-Distribution (Modelfile, System-Prompt, Schema-Definition, Docs).

📑 Citation

@misc{german_privacy_shield_2026,
  title  = {German Privacy Shield 3.1: A German vision-PII detector for documents},
  author = {Hardani, Keyvan},
  year   = {2026},
  url    = {https://huggingface.co/Keyven/german-privacy-shield-3.1}
}

👤 Author

Keyvan Hardani · Website: keyvan.ai · Hosted Premium: german-ocr.de · LinkedIn: linkedin.com/in/keyvanhardani · GitHub: @Keyvanhardani