Arlo Classify 1.0

Arlo is een Nederlandse modelfamilie voor snelle, getypeerde beslissingen. Waar een taalmodel tekst genereert die je daarna moet interpreteren, geeft Arlo direct een waarde terug waar software mee kan werken — een label, een getal, een veld — altijd met een confidence score.

Dit model dekt twee van de vier Arlo-primitieven: Choice (kiezen uit opties) en Noul (hoe waar is een stelling).

Arlo in actie

Waarom dit anders is dan een taalmodel

Een LLM beantwoordt zo'n vraag door token voor token tekst te genereren. Dat kost tijd, kost geld per token, en levert output op die je nog moet parsen — met het risico dat er iets terugkomt dat niet in je schema past.

Arlo doet per vraag één forward pass door een encoder-model van 280M parameters. Het genereert niets; het weegt de vraag tegen de tekst en geeft een score. Daardoor:

• snel: tientallen milliseconden per vraag, ook op een CPU
• voorspelbaar: de uitkomst is altijd een label uit jouw lijst of een getal tussen 0 en 1 — nooit iets daarbuiten
• lokaal draaibaar: geen API-aanroep nodig, dus geschikt voor situaties waar data de deur niet uit mag
• zonder tokenkosten: je draait het zelf

Gebruik

from transformers import AutoModel, AutoTokenizer

model = AutoModel.from_pretrained("NoaberAI/arlo-classify", trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained("NoaberAI/arlo-classify")

Choice — kiezen uit opties

De opties geef je pas op het moment van gebruik mee. Er is geen hertraining nodig om een nieuwe categorie-indeling te gebruiken: je verandert simpelweg de lijst.

model.choice(tokenizer,
    "Kan ik mijn abonnement een maand pauzeren?",
    ["klacht", "vraag", "compliment"])
# [{"label": "vraag",      "confidence": 0.68},
#  {"label": "klacht",     "confidence": 0.18},
#  {"label": "compliment", "confidence": 0.15}]

model.choice(tokenizer,
    "De stoeptegels op de Molenstraat liggen los.",
    ["openbare ruimte", "vergunningen", "burgerzaken", "belastingen", "sociaal domein"])
# [{"label": "openbare ruimte", "confidence": 0.61}, ...]

Voor gevallen waar meerdere labels tegelijk waar kunnen zijn:

model.choice(tokenizer, tekst, labels, multi_label=True)

Noul — hoe waar is deze stelling?

Noul geeft een waarheidsgraad tussen 0 en 1 in plaats van een hard ja/nee, zodat je zelf de drempel bepaalt die bij jouw proces past.

model.noul(tokenizer,
    "Er ligt een gaslek open op straat, mensen worden geëvacueerd!",
    "Dit is een spoedeisende melding.")
# {"truth": 0.72}

model.noul(tokenizer,
    "Dit is niet urgent, maar de bank in het park kan wel geschilderd worden.",
    "Dit is een spoedeisende melding.")
# {"truth": 0.16}

Zonder trust_remote_code

Het model is een gewone NLI-classifier, dus de standaardpipeline werkt ook:

from transformers import pipeline

classifier = pipeline("zero-shot-classification", model="NoaberAI/arlo-classify")
classifier("De put op de Kerkstraat is verstopt.",
           candidate_labels=["verkeer", "riolering", "afval"])

Hoe het werkt

Het model is getraind als natural language inference-classifier: het krijgt een tekst en een stelling, en bepaalt of die stelling volgt uit de tekst (entailment), eruit weersproken wordt (contradiction), of geen van beide (neutral).

Beide primitieven bouwen daarop voort:

• Choice zet elk label om in een stelling ("Dit gaat over riolering.") en vergelijkt de entailment-scores. Daardoor werkt het zero-shot met elke labelverzameling die je meegeeft.
• Noul neemt je stelling rechtstreeks en normaliseert entailment tegen contradiction tot één waarheidsgraad.

Ook op andere talen

Het model is op Nederlands getraind, maar de backbone (mdeberta-v3-base) is multilingual en dat blijft merkbaar: dezelfde melding in vijf talen levert vrijwel dezelfde uitkomst op.

labels = ["openbare ruimte", "belastingen", "burgerzaken"]

model.choice(tok, "De straatlamp voor mijn huis is kapot.", labels)          # 0.68
model.choice(tok, "The streetlight in front of my house is broken.", labels) # 0.69
model.choice(tok, "Die Straßenlaterne vor meinem Haus ist kaputt.", labels)  # 0.71
model.choice(tok, "Le lampadaire devant ma maison est cassé.", labels)       # 0.67
model.choice(tok, "La farola delante de mi casa está rota.", labels)         # 0.66

Alle vijf kiezen openbare ruimte. Je labels en stellingen mag je in het Nederlands laten staan, ook als de tekst dat niet is — voor Noul werkt dat zelfs beter dan de stelling meevertalen:

tekst = "There is a tree across the road, very dangerous!"

model.noul(tok, tekst, "Dit is een spoedeisende melding.")  # {"truth": 0.87}
model.noul(tok, tekst, "This is an urgent report.")         # {"truth": 0.61}

De Arlo-familie

Arlo bestaat uit drie modellen die samen een complete laag vormen voor gestructureerde beslissingen. Ze delen dezelfde backbone-architectuur en hetzelfde output-contract — een waarde plus een confidence — en zijn onafhankelijk of gecombineerd te gebruiken.

Eén binnenkomende tekst door alle drie halen geeft in één keer een volledig gestructureerd beeld:

tekst = ("Al drie dagen ligt er een dode boom over het fietspad aan de "
         "Dorpsstraat, gevaarlijke situatie voor fietsers, graag snel actie.")

classify.choice(tokenizer_c, tekst, ["openbare ruimte", "vergunningen", "burgerzaken"])
# [{"label": "openbare ruimte", "confidence": 0.75}, ...]

classify.noul(tokenizer_c, tekst, "Dit is een spoedeisende melding.")
# {"truth": 0.77}

extract.extract(tokenizer_e, tekst, "Waar is het probleem?")
# {"value": "Dorpsstraat", "confidence": 1.00}

Van vrije tekst naar een compleet ingevuld formulier, in een fractie van de tijd die een taalmodel nodig heeft — en zonder dat er iets te parsen valt.

Technische details

• Backbone: microsoft/mdeberta-v3-base (~280M parameters)
• Kop: sequence classification, 3 klassen (entailment / neutral / contradiction)
• Taal: Nederlands
• Trainingsdata: Nederlandse natural language inference-data, aangevuld met domeinspecifieke voorbeelden uit overheid en klantenservice
• Hardware: getraind op een NVIDIA A100
• Licentie: MIT

Gemaakt door NoaberAI.