भारत के उपयोगकर्ताओं के लिए OpenMed ऑनबोर्डिंग¶

English version

यह गाइड भारत के लिए लोकल-फर्स्ट डी-आइडेंटिफिकेशन सेटअप दिखाती है: आज उपलब्ध OpenMed पॉलिसी से शुरू करें, सिंथेटिक Aadhaar और ABHA फ़ॉर्मैट पहचानकर्ताओं को डी-आइडेंटिफ़ाई करें, सिंथेटिक कोड-मिश्रित Hinglish क्लिनिकल नोट प्रोसेस करें और CPU-only कम-RAM मशीन के लिए छोटा हिन्दी चेकपॉइंट चुनें।

पूरे सिंथेटिक Hindi और code-mixed Hinglish walkthrough के लिए end-to-end उदाहरण चलाएँ या Chinese और Hindi Notebook tour देखें।

लोकल रनटाइम इंस्टॉल करें¶

वर्चुअल एनवायरनमेंट बनाएँ और Hugging Face मॉडल डिपेंडेंसी के साथ OpenMed इंस्टॉल करें:

python -m venv .venv
. .venv/bin/activate
python -m pip install "openmed[hf]"

मॉडल को पहली बार डाउनलोड करने के लिए नेटवर्क चाहिए। चेकपॉइंट लोकल Hugging Face कैश में आने के बाद OpenMed इनफ़रेंस उसी मशीन पर चलता है और क्लिनिकल नोट को किसी होस्टेड API पर नहीं भेजता।

DPDP-उन्मुख पॉलिसी क्विकस्टार्ट¶

Digital Personal Data Protection (DPDP) ढाँचा टेक्स्ट मास्किंग से कहीं व्यापक है। उद्देश्य और वैध प्रोसेसिंग, जहाँ लागू हो वहाँ नोटिस और सहमति, डेटा प्रतिधारण, ऐक्सेस कंट्रोल, घटना प्रतिक्रिया, अनुबंध और मानवीय प्रशासन संगठन की जिम्मेदारियाँ हैं। आधिकारिक DPDP Act, 2023 और DPDP Rules, 2025 देखें और उचित कानूनी सलाह लें। सॉफ़्टवेयर पॉलिसी प्रोफ़ाइल केवल एक तकनीकी कंट्रोल है, DPDP अनुपालन का दावा नहीं।

OpenMed में assist-only india_dpdp_act प्रोफ़ाइल उपलब्ध है। यह direct identifiers को replace, quasi-identifiers को mask और clinical concepts को keep करती है। यह safety sweep अनिवार्य रखती है और reversible IDs व retained mappings दोनों बंद करती है:

from openmed.core.policy import list_policies, load_policy

policy_name = "india_dpdp_act"
assert policy_name in list_policies()

policy = load_policy(policy_name)
assert policy.default_action == "replace"
assert policy.action_for("PERSON") == "replace"
assert policy.action_for("ID_NUM") == "replace"
assert policy.safety_sweep_mandatory
assert policy.keep_mapping is False
assert policy.reversible_id is False

print(policy.name, policy.default_action)

यह कोड उपलब्ध openmed/core/policies/india_dpdp_act.json प्रोफ़ाइल लोड करता है। इसकी metadata आधिकारिक sources दर्ज करती है और साफ़ करती है कि यह profile केवल सहायक है, कानूनी सलाह या autonomous compliance determination नहीं।

सिंथेटिक Aadhaar और ABHA पहचानकर्ता डी-आइडेंटिफ़ाई करें¶

UIDAI के अनुसार Aadhaar 12 अंकों का नंबर है, जबकि Ayushman Bharat Digital Mission के अनुसार ABHA 14 अंकों का नंबर है। उदाहरण में जानबूझकर बनाए गए ये डिस्प्ले-फ़ॉर्म मान हैं:

• सिंथेटिक Aadhaar-फ़ॉर्मैट मान: 2467 7832 5484 (यह OpenMed के Verhoeff checksum validator को भी पास करता है)
• सिंथेटिक ABHA-फ़ॉर्मैट मान: 91-0000-0000-0000

india_dpdp_act profile OpenMed के ABDM recognizer को अपने-आप चालू करती है। वह इन Aadhaar और ABHA display forms को validate करके canonical ID_NUM label में normalize करता है। नीचे का छोटा custom recognizer केवल इस offline tutorial के बनाए गए व्यक्ति के नाम को deterministic बनाता है। इसके बाद policy replacement action तय करती है:

from openmed import deidentify

synthetic_note = (
    "Synthetic Hinglish note: Patient Asha Verma ka follow-up aaj hai. "
    "Aadhaar 2467 7832 5484 aur ABHA 91-0000-0000-0000 record mein hain. "
    "Patient ko do din se halka bukhar hai."
)

india_recognizer = {
    "case_sensitive": False,
    "deny": {
        "terms": [{"term": "Asha Verma", "label": "PERSON"}],
    },
}

result = deidentify(
    synthetic_note,
    method="replace",
    model_name="OpenMed/OpenMed-PII-Hindi-SuperClinical-Small-44M-v1",
    lang="hi",
    locale="en_IN",
    policy="india_dpdp_act",
    use_safety_sweep=True,
    custom_recognizer=india_recognizer,
    consistent=True,
    seed=707,
)

assert "2467 7832 5484" not in result.deidentified_text
assert "91-0000-0000-0000" not in result.deidentified_text
assert "Asha Verma" not in result.deidentified_text
print(result.deidentified_text)

Hindi language hint हिन्दी-अवेयर normalization और patterns चुनता है। छोटा Hindi model कोड-मिश्रित नोट संभालता है और साफ़ स्थानीय rules सिंथेटिक नाम व पहचानकर्ता फ़ॉर्मैट के लिए ट्यूटोरियल को deterministic बनाते हैं। वास्तविक deployment में documented data contracts से custom rules बनाएँ, प्रतिनिधि सिंथेटिक fixtures पर direct-identifier recall जाँचें और release से पहले हर residual leak की समीक्षा करें।

Source checkout से पूरा उदाहरण चलाएँ:

python examples/onboarding_india_dpdp.py

कम-RAM, CPU-only सेटअप¶

OpenMed model manifest में मौजूद छोटे Hindi PII checkpoints में से शुरुआत करें। Raw FP32 weights के लिए प्रति parameter लगभग चार bytes लगते हैं; Python runtime, tokenizer, temporary tensors और input length अतिरिक्त memory लेते हैं।

ये छोटे checkpoints OpenMed की Tiny device tier में आते हैं, जिसका release target अधिकतम 350 MB resident RAM है। मौजूदा tokenizer-script coverage में केवल 44M checkpoint Devanagari समर्थित है। नया passing script audit न हो तो 33M और 66M checkpoints को Devanagari notes के लिए न चुनें। Memory target को हर Python environment की guarantee न मानें; अपनी deployment machine और वास्तविक input lengths पर peak RSS मापें। Device Tiers and SLOs और Tokenizer Script Coverage देखें।

कम संसाधन वाले clinic workstation या startup VM पर:

1. Notes में Devanagari हो सकता है तो 44M checkpoint, CPU execution और batch_size=1 से शुरू करें। 33M checkpoint केवल tested Latin-script-only Hinglish corpus के लिए विचार करें।
2. लंबे notes को batch करने से पहले sentence boundaries पर विभाजित करें। पास के sentences का क्रम बनाए रखें और structured identifier को chunks के बीच न काटें।
3. प्रतिनिधि notes के साथ पर्याप्त peak-memory headroom मिलने पर ही batch 2 और फिर 4 आज़माएँ। बड़ा batch throughput बढ़ाता है, पर temporary tensor memory भी बढ़ाता है।
4. हर sentence के लिए नया loader बनाने के बजाय एक loaded model या एक BatchProcessor reuse करें। कम-RAM host पर कई model-worker processes न चलाएँ।
5. छोटा model चुनते समय india_dpdp_act, safety sweep और स्थानीय identifier rules चालू रखें। छोटे checkpoint को स्वीकार करने से पहले leakage tests फिर चलाएँ।

कई छोटे notes के लिए BatchProcessor(operation="deidentify") document batch_size control देता है और underlying loader reuse करता है। API के लिए Batch Processing देखें।

Production checklist¶

• Inference और cached artifacts को approved device या network boundary के भीतर रखें; OpenMed de-identification path में telemetry नहीं जोड़ता।
• Logs या audit exports में result.original_text, raw entity values या reversible mappings न रखें।
• स्थानीय पहचानकर्ता patterns और synthetic regression fixtures जोड़ें; यह walkthrough भारत के सभी identifiers की सूची नहीं है।
• Hindi, Latin-script Hinglish और code-mixed notes को अलग-अलग validate करें।
• DPDP governance और ABDM participation requirements को चुनी हुई OpenMed policy profile से स्वतंत्र मानें।