bert-base para QA con qasper

from transformers import AutoModelForQuestionAnswering, AutoTokenizer, pipeline

# Cargar el modelo con pipeline
model_name = "z-uo/bert-qasper"
nlp = pipeline('question-answering', model=model_name, tokenizer=model_name)

# Obtener predicciones
QA_input = {
'question': 'qué proponen?',
'context': "En este artículo, proporcionamos una contribución innovadora en el campo de investigación dedicado al mapeo de cultivos mediante la explotación de la serie temporal de imágenes del satélite Sentinel-2, con el objetivo específico de extraer información sobre 'dónde y cuándo' se cultivan los cultivos. El objetivo final es configurar un flujo de trabajo capaz de identificar de manera confiable (clasificar) los diferentes cultivos que se cultivan en un área determinada utilizando una red neuronal convolucional (CNN) end-to-end (3+2)D para segmentación semántica. El método también tiene la ambición de proporcionar información, a nivel de píxel, sobre el período en el que un cultivo determinado se cultiva durante la temporada. Para este fin, proponemos una solución llamada Intervalo de Activación de Clase (CAI) que nos permite interpretar, para cada píxel, el razonamiento realizado por la CNN en la clasificación, determinando en qué intervalo de tiempo, de la serie temporal de entrada, es probable que la clase esté presente o no. Nuestros experimentos, utilizando un conjunto de datos de dominio público, muestran que el enfoque es capaz de detectar con precisión las clases de cultivos con una precisión general de aproximadamente el 93% y que la red puede detectar intervalos de tiempo discriminatorios en los cuales el cultivo está cultivado. Estos resultados tienen una doble importancia: (i) demostrar la capacidad de la red para interpretar correctamente el proceso físico investigado (es decir, condición de suelo desnudo, crecimiento de plantas, senescencia y cosecha según la variedad cultivada específica) y (ii) proporcionar información adicional al usuario final (por ejemplo, la presencia de cultivos y su dinámica temporal)."
}

res = nlp(QA_input)

# Cargar modelo y tokenizer sin pipeline
model = AutoModelForQuestionAnswering.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)