Характеристики

Контекст: 512 токенов
Параметры: 152 млн
Архитектура: deberta · dense
Опубликована: 20 янв 2023

Ссылки

moderate-101-rejection-examiner

Классификация текстаТекст → label3 профессии

Бинарный классификатор на базе DeBERTa для оценки патентных текстов, обученный на данных, связанных с проверкой отклонений.

9скачиваний за 30 дней5лайковвеса обновлены20 янв 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MachineLearningLawyer/moderate-101-rejection-examiner — модель бинарной классификации текста, обученная с помощью AutoTrain на наборе данных Awesome7749/autotrain-data-patent-101. Она построена на архитектуре DeBERTa и содержит 151,8 млн параметров; модель принимает текст длиной до 512 токенов и предназначена для отнесения примеров к одному из двух классов.

В карточке приведены метрики валидации: accuracy 0,851, precision 0,598, recall 0,537, AUC 0,846 и F1 0,566. По названию и датасету модель ориентирована на классификацию патентных заявок по признаку отклонения, однако описание классов и правила их интерпретации в карточке не раскрыты. Лицензия не указана в предоставленных данных.

Сценарии применения

классификация патентных текстов по двум категориям
предварительная оценка патентной заявки на предмет отклонения
сортировка патентных примеров для дальнейшей экспертной проверки

Ограничения

Метрики precision 0,598, recall 0,537 и F1 0,566 указывают на заметные ошибки классификации; результаты требуют экспертной проверки. В карточке не описаны классы меток и лицензия.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей IV.11Отраслевые задачиПатенты, товарные знаки и интеллектуальная собственностьAI помогает искать предшествующий уровень техники, оценивать портфель и отслеживать нарушения прав.32 задачи490моделей IV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Trained Using AutoTrain

Problem type: Binary Classification
Model ID: 2952885909
CO2 Emissions (in grams): 3.7523

Validation Metrics

Loss: 0.353
Accuracy: 0.851
Precision: 0.598
Recall: 0.537
AUC: 0.846
F1: 0.566

Usage

You can use cURL to access this model:

$ curl -X POST -H "Authorization: Bearer YOUR_API_KEY" -H "Content-Type: application/json" -d '{"inputs": "I love AutoTrain"}' https://api-inference.huggingface.co/models/Awesome7749/autotrain-patent-101-2952885909

Or Python API:

from transformers import AutoModelForSequenceClassification, AutoTokenizer

model = AutoModelForSequenceClassification.from_pretrained("Awesome7749/autotrain-patent-101-2952885909", use_auth_token=True)

tokenizer = AutoTokenizer.from_pretrained("Awesome7749/autotrain-patent-101-2952885909", use_auth_token=True)

inputs = tokenizer("I love AutoTrain", return_tensors="pt")

outputs = model(**inputs)

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DebertaForSequenceClassification
Ревизия весов: 7904a43