Create README.md

README.md

@@ -0,0 +1,34 @@
+---
+license: apache-2.0
+language:
+- it
+---
+### Model Card: Gliner - Modello Generalista per l'Identificazione di PII
+
+#### Descrizione del Modello
+Il modello è progettato per identificare e classificare informazioni personali identificabili (PII) all'interno di documenti di testo. Il modello è stato addestrato per essere generalista, ovvero in grado di riconoscere una vasta gamma di tag PII, ma con una specializzazione nell'identificazione dei tag più comuni e rilevanti nell'ambito amministrativo, legale e finanziario.
+
+#### Ambiti di Applicazione
+Gliner è particolarmente efficace nell'analisi di documenti legali, contratti, registri finanziari, e documenti amministrativi dove è fondamentale identificare e classificare correttamente le informazioni personali per la conformità alle normative sulla privacy (come il GDPR).
+
+#### Tag Supportati
+Il modello è stato addestrato con un totale di 11706 tag differenti. Alcuni esempi di tag che il modello può riconoscere includono:
+
+- **Nome del cliente**: Identifica il nome completo di un cliente.
+- **Comune di nascita**: Riconosce il comune in cui una persona è nata.
+- **Indirizzo di residenza**: Riconosce l'indirizzo di residenza di una persona.
+- **Codice fiscale**: Riconosce il codice fiscale di un individuo o di un'azienda.
+- **Numero di documento**: Identifica numeri di documenti identificativi come passaporti, carte d'identità, ecc.
+- **Importo della transazione**: Riconosce importi monetari relativi a transazioni finanziarie.
+- **Particella catastale**: Identifica il numero di particella catastale relativo a un immobile.
+- **Nome dell'azienda**: Riconosce il nome ufficiale di un'azienda.
+- **IBAN**: Identifica numeri di conti bancari in formato IBAN.
+- **Indirizzo IP**: Riconosce indirizzi IP associati a utenti o dispositivi.
+
+#### Performance
+Il modello è stato addestrato su un ampio dataset contenente circa 200K di esempi annotati manualmente per ciascun tipo di PII. 
+
+#### Limitazioni
+- **Variabilità dei Dati**: Gliner può avere difficoltà nell'identificare PII in documenti non strutturati o con formattazioni molto diverse da quelle presenti nel set di addestramento.
+- **Tag Rari**: Il modello può mostrare performance ridotte su tag meno comuni o su quelli che non erano ben rappresentati nel set di addestramento.
+- **Bias**: Come tutti i modelli di machine learning, Gliner può essere soggetto a bias derivanti dal dataset di addestramento.