Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-cased
Опубликована: 25 дек 2022

Ссылки

bpmn-information-extraction

Разметка токеновТекст → label

Дообученная BERT-модель для выделения участников, задач, сведений о процессе и условий в текстовых описаниях BPMN-процессов.

14скачиваний за 30 дней8лайковвеса обновлены12 сен 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

jtlicardo/bpmn-information-extraction — модель на базе BERT, дообученная для извлечения сущностей из текстовых описаний процессов BPMN. Она присваивает токенам пять меток: AGENT, TASK, TASK_INFO, PROCESS_INFO и CONDITION; размер модели составляет 135,5 млн параметров, максимальная длина контекста — 512 токенов. В README приведены результаты на оценочной выборке: F1 0,8889 и точность 0,9285.

Модель предназначена для разметки участников, задач, сведений о задачах и процессе, а также условий в текстах процессов. Обучение проводилось на 90 текстовых описаниях процессов. Лицензия — Apache-2.0. README не сообщает язык обучающих данных и подробности об ограничениях, поэтому применимость к конкретному языку и качеству вне оценочной выборки не установлена.

Сценарии применения

выделение исполнителей из описаний бизнес-процессов
извлечение задач процесса из текста
разметка условий выполнения задач
извлечение сведений о процессе и задачах
структурирование текстовых описаний процессов BPMN

Ограничения

Обучена на небольшом наборе из 90 описаний процессов; качество на других данных и языках не подтверждено. Приведённые метрики относятся только к оценочной выборке.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bpmn-information-extraction

This model is a fine-tuned version of bert-base-cased on a dataset containing 90 textual process descriptions.

The dataset contains 5 target labels:

AGENT
TASK
TASK_INFO
PROCESS_INFO
CONDITION

It achieves the following results on the evaluation set:

Loss: 0.2909
Precision: 0.8557
Recall: 0.9247
F1: 0.8889
Accuracy: 0.9285

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: 8
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 15

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
2.0586	1.0	10	1.5601	0.1278	0.1559	0.1404	0.4750
1.3702	2.0	20	1.0113	0.3947	0.5645	0.4646	0.7150
0.8872	3.0	30	0.6645	0.5224	0.6882	0.5940	0.8051
0.5341	4.0	40	0.4741	0.6754	0.8280	0.7440	0.8541
0.3221	5.0	50	0.3831	0.7523	0.8817	0.8119	0.8883
0.2168	6.0	60	0.3297	0.7731	0.8978	0.8308	0.9079
0.1565	7.0	70	0.2998	0.8195	0.9032	0.8593	0.9128
0.1227	8.0	80	0.3227	0.8038	0.9032	0.8506	0.9099
0.0957	9.0	90	0.2840	0.8431	0.9247	0.8821	0.9216
0.077	10.0	100	0.2914	0.8252	0.9140	0.8673	0.9216
0.0691	11.0	110	0.2850	0.8431	0.9247	0.8821	0.9285
0.059	12.0	120	0.2886	0.8564	0.9301	0.8918	0.9285
0.0528	13.0	130	0.2838	0.8564	0.9301	0.8918	0.9305
0.0488	14.0	140	0.2881	0.8515	0.9247	0.8866	0.9305
0.049	15.0	150	0.2909	0.8557	0.9247	0.8889	0.9285

Framework versions

Transformers 4.25.1
Pytorch 1.13.0+cu116
Datasets 2.8.0
Tokenizers 0.13.2

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: 12d36d8