Характеристики

Контекст: 512 токенов
Параметры: 433 млн
Архитектура: bert · dense
Опубликована: 15 дек 2023

Ссылки

Hugging Face

ner-bert-large-cased-pt-contratos_tceal

begnini

Разметка токеновТекст → label3 профессии

BERT-модель для распознавания сущностей в текстах договоров TCEAL, обученная с нуля на наборе contratos_tceal.

31скачиваний за 30 дней0лайковвеса обновлены10 янв 2024

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

begnini/ner-bert-large-cased-pt-contratos_tceal — модель распознавания именованных сущностей на базе BERT, обученная с нуля на наборе contratos_tceal. Она предназначена для извлечения и разметки сущностей в текстах этого набора данных, связанных с договорами TCEAL. Модель содержит 433,2 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors.

На оценочной выборке указаны F1 0,9320, точность 0,9185, полнота 0,9459 и accuracy 0,9639. Карточка не уточняет типы распознаваемых сущностей и не приводит лицензию, поэтому применение за пределами данных contratos_tceal требует отдельной проверки качества и условий использования.

Сценарии применения

извлечение сущностей из текстов договоров TCEAL
разметка токенов в корпусе contratos_tceal
поиск упоминаний сторон и реквизитов в договорах при проверенном соответствии меткам датасета

Ограничения

Карточка не сообщает, какие именно типы сущностей размечает модель; приведённые метрики относятся только к оценочной выборке contratos_tceal. Лицензия в предоставленных данных не указана.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель IV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ner-bert-large-cased-pt-contratos_tceal

This model was trained from scratch on the contratos_tceal dataset. It achieves the following results on the evaluation set:

Loss: 0.2229
Precision: 0.9185
Recall: 0.9459
F1: 0.9320
Accuracy: 0.9639

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: 4
eval_batch_size: 4
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 20

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
No log	1.0	363	0.1242	0.9164	0.9469	0.9314	0.9696
0.1307	2.0	726	0.1413	0.9197	0.9424	0.9309	0.9664
0.0831	3.0	1089	0.1366	0.9237	0.9477	0.9356	0.9682
0.0831	4.0	1452	0.1360	0.9283	0.9489	0.9385	0.9696
0.0646	5.0	1815	0.1572	0.9171	0.9427	0.9297	0.9646
0.0473	6.0	2178	0.1674	0.9069	0.9454	0.9257	0.9646
0.0367	7.0	2541	0.1783	0.9155	0.9414	0.9283	0.9644
0.0367	8.0	2904	0.1823	0.9244	0.9442	0.9342	0.9656
0.029	9.0	3267	0.1815	0.9190	0.9444	0.9315	0.9655
0.0227	10.0	3630	0.1945	0.9084	0.9457	0.9267	0.9617
0.0227	11.0	3993	0.1962	0.9134	0.9442	0.9285	0.9635
0.0188	12.0	4356	0.1893	0.9203	0.9442	0.9321	0.9651
0.0134	13.0	4719	0.1982	0.9181	0.9441	0.9309	0.9650
0.0126	14.0	5082	0.1962	0.9162	0.9447	0.9303	0.9667
0.0126	15.0	5445	0.2112	0.9196	0.9446	0.9319	0.9642
0.0099	16.0	5808	0.2138	0.9165	0.9449	0.9305	0.9630
0.007	17.0	6171	0.2110	0.9208	0.9447	0.9326	0.9652
0.0075	18.0	6534	0.2216	0.9210	0.9452	0.9330	0.9641
0.0075	19.0	6897	0.2232	0.9191	0.9461	0.9324	0.9640
0.0062	20.0	7260	0.2229	0.9185	0.9459	0.9320	0.9639

Framework versions

Transformers 4.36.2
Pytorch 2.1.0+cu121
Datasets 2.16.1
Tokenizers 0.15.0

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForTokenClassification
Ревизия весов: 4b57fc4