Septum — Özel Tanıyıcı Kuralları

Septum kutudan 17 regülasyon paketi ile gelir. Özel kurallar kod tabanını forklamadan tespiti genişletmenizi sağlar: regex, bağlam anahtarlı kelime listesi veya LLM prompt'lu bir kural ekleyin; aktif sanitization pipeline'ına anında katılır. Kurallar Ayarlar → Regülasyonlar → Özel Kurallar altında yaşar ve yerel veritabanında saklanır.

Bu sayfa çalışan bir referans. Her tespit yöntemi için işlenmiş örnek + test adımları var.

Tespit yöntemleri

Yöntem	Ne zaman kullanılır	Maliyet
regex	Kararlı şekli olan yapısal tanımlayıcılar (kodlar, ön ekli numaralar, formatlı ID'ler).	Mikrosaniye
keyword_list	Her zaman maskelenmesi gereken kısa, sınırlı kelime listesi (proje kod adları, takım adları).	Mikrosaniye
llm_prompt	Regex'le yakalanamayan serbest metin kategorileri (tıbbi durumlar, hassas görüşler, lakaplar).	~Saniye (yerel Ollama)

Her kuralda ortak alanlar:

• İsim — denetim kaydında ve tespit listesinde görünen kısa etiket.
• Varlık tipi — örn. INTERNAL_PROJECT_CODE, EMPLOYEE_BADGE. Serbest; placeholder formatı [<VARLIK_TIPI>_N] olur.
• Placeholder etiketi (opsiyonel) — maskelenmiş metinde görünecek placeholder'ı override eder (varsayılan: varlık tipi).
• Aktif — silmeden devre dışı bırakır.
• Örnek metin — panel içindeki Test düğmesinin kullandığı alan.

Yöntem 1 — Regex

Regex kuralı chunk metnini tarar ve her eşleşme için bir span üretir. En hızlı tespit yolu; ilk başvurmanız gereken yöntem.

Örnek: dahili proje kodu

Şirket her dahili projeyi PRJ-<yıl>-<5 hane> ile etiketliyor (örn. PRJ-2024-04829). HR mektupları, faturalar, Slack export'larında geçer.

Alan	Değer
İsim	Dahili proje kodu
Varlık tipi	INTERNAL_PROJECT_CODE
Tespit yöntemi	regex
Desen	\bPRJ-\d{4}-\d{5}\b
Placeholder etiketi	INTERNAL_PROJECT_CODE
Örnek metin	Bütçe PRJ-2024-04829 onaylandı.

Kaydet sonrası Test tuşu POST /api/regulations/recognizers/{id}/test çağırır; başarılı bir test 1 eşleşme — PRJ-2024-04829 (skor 0.85) raporlar.

İpucu — bağlam çapası Deseni \b...\b (kelime sınırları) içine sarın ve gerçek ID'nin önüne bir anahtar kelime koyun ((?:Proje|PRJ)[-\s:]*(\d{4}-\d{5})). Sınır çapaları regex'in daha büyük string'ler içinde patlamasını engeller.

Örnek: checksum'lı HR rozeti

ID'leriniz checksum içeriyorsa regex eşleştirmeyi yapar fakat checksum doğrulamasını yapamaz. Saf regex kuralları checksum kontrolü yapmaz; bunun için kodun içinde recognizer yazmanız gerekir.

Yöntem 2 — Kelime listesi

Kelime kuralı her literal eşleşme için bir span üretir. Her kelime kelime-sınır substring olarak eşleştirilir; varsayılan büyük/küçük harf duyarsızdır.

Örnek: kod adı maskeleme

Bir takım dahili kod adları kullanıyor (Project Bluebird, Operation Halcyon, Goldfish Initiative). Hiçbir regülasyona göre PII değil ama şirket bulut LLM çağrısı öncesi maskelemek istiyor.

Alan	Değer
İsim	Dahili kod adları
Varlık tipi	INTERNAL_CODENAME
Tespit yöntemi	keyword_list
Anahtar kelimeler	Project Bluebird, Operation Halcyon, Goldfish Initiative
Placeholder etiketi	INTERNAL_CODENAME
Örnek metin	Project Bluebird lansmanı ertelendi.

Kaydet sonrası Test 1 eşleşme — Project Bluebird rapor eder.

İpucu — kelime yoğunluğu Listeyi ~50 girişin altında tutun. Uzun listeler ingestion'ı doğrusal yavaşlatır ve recognizer başına tüm liste belleğe yüklenir. Yüzlerce terim için alternation'lı regex daha iyi seçim.

Yöntem 3 — LLM prompt

LLM-prompt kuralları chunk metni + bir talimatı yerel Ollama modeline yollar ve JSON cevabını span'lere parse eder. Regex ile yakalanamayan kategoriler için doğru araç — tıbbi durumlar, görüşler, hassas kültürel işaretler, lakaplar — ama llama3.2:3b ile chunk başına ~1–5s, daha büyük modellerde orantılı olarak daha fazla maliyet getirir.

Örnek: ilaç adı tespiti

Klinik bir doküman setinde Presidio'nun yakalamadığı serbest metin ilaç referansları geçiyor (marka, jenerik, doz formları).

Alan	Değer
İsim	İlaç referansları
Varlık tipi	MEDICATION
Tespit yöntemi	llm_prompt
LLM prompt'u	Find every medication mention (brand or generic name, with or without dose). Return JSON: [{"text": "<mention>"}].
Placeholder etiketi	MEDICATION
Örnek metin	Hasta günlük 5 mg Coumadin ve ihtiyaç halinde ibuprofen alıyor.

Test prompt'u örnek üzerinde çalıştırır; yerel model sağlıklıysa 2 eşleşme — Coumadin 5 mg, ibuprofen rapor eder.

İpucu — JSON sözleşmesini minimum tutun Çok alanlı (severity, doz, vb.) sorulan prompt'lar daha az güvenilir JSON döndürür. Recognizer sadece eşleşen metni ister; geri kalan parse hatalarını artıran gürültüdür.

İpucu — bağlam penceresi Septum tek seferde bir chunk gönderir (varsayılan chunk_size = 800 karakter). Prompt'u "tüm doküman" yerine "bir metin bloğu" üzerinde çalışacak şekilde ifade edin ki chunk'lar arası tutarlı davransın.

Ortak alanlar & test döngüsü

Her özel kural şu ek kontrolleri paylaşır:

• Bağlam kelimeleri (opsiyonel) — kuralın tetiklenmesi için aynı chunk içinde geçmesi gereken ek kelimeler. Aşırı false-positive üreten regex'leri bastırmak için kullanın. Örnek: 11 haneli ID'lere ait bir kural Müşteri veya Customer bağlam kelimesi gerektirebilir.
• Aktif — silmeden devre dışı.
• Örnek metin + Test — inline regresyon kontrolü. Her düzenlemeden sonra kullanın; veri kalıcılaştırmaz, hem pozitif hem negatif vakaları hızlıca doğrulamanın yolu.

Test endpoint'i ingestion'ın kullandığı kod yolunu çağırır; "test'te çalışıyor" demek "gerçek dokümanlarda çalışıyor" demektir — chunk metni örneğe benziyorsa.

Denetim & hata ayıklama

Özel recognizer'dan gelen her tespit:

1. Dokümanın entity_detections tablosuna kuralın entity_type + placeholder değeriyle düşer — Doküman önizleme → Tespit edilen varlıklar altında görünür.
2. İngest tamamlandığında Ayarlar → Denetim Kaydı sayfasında bir satır olur; extra alanında kural adıyla etiketlenmiş.
3. Standart absorpsiyon + dedup süreçlerinden geçer — özel kural built-in regülasyon tespitlerini override etmez. Span önceliği Septum'un geri kalanı için kullanılan aynı _HIGH_PRIORITY_ENTITY_TYPES tablosu tarafından belirlenir.

Bir kural test'te ateşliyor ama gerçek dokümanda ateşlemiyorsa, doküman önizlemeyi açıp chunk metnini kontrol edin — PDF extraction bazen hedefi chunk'lar arasına böler; bu durumda chunk_size'ı yükseltin veya chunk_overlap'i küçültün.