neo-tax/technical-in-nature-classifier-for-projects
neo-tax
Clasificación de texto
Este es un modelo SetFit que se puede usar para la clasificación de texto. Este modelo SetFit utiliza avsolatorio/GIST-Embedding-v0 como el modelo de incrustación de Sentence Transformer. Una instancia de LogisticRegression se utiliza para la clasificación. El modelo ha sido entrenado utilizando una técnica eficiente de aprendizaje de pocos ejemplos que involucra el ajuste fino de un Transformer de oraciones con aprendizaje contrastivo y el entrenamiento de una cabeza de clasificación con características del Transformer de oraciones ajustado.
Como usar
Uso directo para inferencia
# Primero instale la biblioteca SetFit
pip install setfit
Luego puede cargar este modelo y ejecutar la inferencia.
from setfit import SetFitModel
# Descargar desde el Hub de 🤗
model = SetFitModel.from_pretrained("setfit_model_id")
# Ejecutar inferencia
preds = model("Una empresa manufacturera de neumáticos creó una nueva correa para utilizarla como parte del enfriamiento de la banda de rodadura durante el proceso de fabricación. Tal correa no está disponible comercialmente.")
Funcionalidades
- Modelo SetFit
- Cuerpo del Transformer de oraciones: avsolatorio/GIST-Embedding-v0
- Cabeza de clasificación: una instancia de LogisticRegression
- Longitud máxima de secuencia: 512 tokens
- Número de clases: 2 clases
Casos de uso
- Optimización de la funcionalidad del sitio web incluyendo tareas relacionadas con la optimización de la funcionalidad de búsqueda e integración de nuevas características como marcadores y tabla de contenidos para el lector web.
- Diseño y creación de un sistema innovador de administración de fármacos para el tratamiento del cáncer compatible con diferentes tipos de cáncer y perfiles de pacientes mientras se minimizan los impactos negativos en los tejidos sanos.
- Desarrollo de un algoritmo avanzado de procesamiento de lenguaje natural (NLP) para mejorar las capacidades de los asistentes virtuales utilizados en varias aplicaciones, como chatbots de servicio al cliente. Este proyecto involucró mejorar el algoritmo de NLP para ser más receptivo en el área de comprensión de lenguaje natural complejo, incluyendo la comprensión del contexto, análisis de sentimientos y generación de respuestas precisas.