Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense

Ссылки

distilbert-base-uncased-finetuned-clinc

Классификация текстаТекст → label3 профессии

Дообученный DistilBERT классифицирует англоязычные пользовательские запросы по намерениям и помогает выявлять запросы вне известных категорий.

19скачиваний за 30 дней0лайковвеса обновлены20 янв 2022

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

Модель abdelkader/distilbert-base-uncased-finetuned-clinc — дообученная версия DistilBERT от команды Hugging Face на датасете clinc_oos для классификации пользовательских запросов по намерениям и распознавания запросов вне известных категорий. Она использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метки классов. На оценочной выборке указана точность 0,9174. Максимальная длина контекста — 512 токенов. Модель подходит для маршрутизации коротких запросов в диалоговых системах и определения намерений пользователя.

Модель работает с английским текстом, что следует из uncased-варианта базового DistilBERT и датасета clinc_oos. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка не раскрывает подробности обучения и ограничения за пределами оценки на наборе clinc_oos, поэтому качество на других типах запросов не установлено.

Сценарии применения

классификация намерений в сообщениях чат-бота
маршрутизация запросов пользователя по категориям
распознавание запросов вне заданных категорий
классификация коротких англоязычных фраз

Ограничения

Оценочная точность 0,9174 приведена только для clinc_oos; качество на других доменах и типах запросов не указано. Максимальная длина контекста составляет 512 токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-base-uncased-finetuned-clinc

This model is a fine-tuned version of distilbert-base-uncased on the clinc_oos dataset. It achieves the following results on the evaluation set:

Loss: 0.7713
Accuracy: 0.9174

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 48
eval_batch_size: 48
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	318	3.2831	0.7426
3.785	2.0	636	1.8739	0.8335
3.785	3.0	954	1.1525	0.8926
1.6894	4.0	1272	0.8569	0.91
0.897	5.0	1590	0.7713	0.9174

Framework versions

Transformers 4.15.0
Pytorch 1.10.0+cu111
Datasets 1.17.0
Tokenizers 0.10.3

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: DistilBertForSequenceClassification
Ревизия весов: 43cb619