Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-cased
Опубликована: 26 фев 2023

Ссылки

bpmn-information-extraction-v2

Разметка токеновТекст → label3 профессии

Дообученная на описаниях процессов модель BERT выделяет в тексте участников, задачи, сведения о задачах и процессах, а также условия.

29скачиваний за 30 дней15лайковвеса обновлены6 мая 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

jtlicardo/bpmn-information-extraction-v2 — модель на базе BERT, дообученная для извлечения сущностей из текстовых описаний бизнес-процессов. Она присваивает токенам одну из пяти меток: AGENT, TASK, TASK_INFO, PROCESS_INFO или CONDITION. Модель разработана для структурирования описаний процессов и может служить этапом подготовки данных для последующего моделирования BPMN.

Модель основана на google-bert/bert-base-cased, содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. В README сообщается о дообучении на наборе из 104 текстовых описаний процессов; на оценочной выборке указаны F1 0,9031 и точность 0,9516. Репозиторий содержит веса PyTorch и Safetensors, лицензия — Apache-2.0.

Сценарии применения

извлечение участников из описания бизнес-процесса
выделение задач и действий в описании процесса
извлечение условий и ветвлений процесса
разметка сведений о задаче и процессе
подготовка текстового описания для последующего моделирования BPMN

Ограничения

В README указано обучение на 104 текстовых описаниях, поэтому перенос качества на другие стили описания процессов может быть ограничен. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

III.10Корпоративные функцииПроекты, процессы и операционное управлениеAI помогает планировать работу, обнаруживать отклонения и улучшать операционные процессы.25 задач2 527моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bpmn-information-extraction-v2

This model is a fine-tuned version of bert-base-cased on a dataset containing 104 textual process descriptions.

The dataset and the training scripts can be found here: https://github.com/jtlicardo/process-visualizer/tree/main/src/token_classification

The dataset contains 5 target labels:

AGENT
TASK
TASK_INFO
PROCESS_INFO
CONDITION

It achieves the following results on the evaluation set:

Loss: 0.2179
Precision: 0.8826
Recall: 0.9246
F1: 0.9031
Accuracy: 0.9516

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
1.9945	1.0	12	1.5128	0.2534	0.3730	0.3018	0.5147
1.2161	2.0	24	0.8859	0.2977	0.4524	0.3591	0.7256
0.6755	3.0	36	0.4876	0.5562	0.7262	0.6299	0.8604
0.372	4.0	48	0.3091	0.7260	0.8413	0.7794	0.9128
0.2412	5.0	60	0.2247	0.7526	0.8571	0.8015	0.9342
0.1636	6.0	72	0.2102	0.8043	0.8968	0.8480	0.9413
0.1325	7.0	84	0.1910	0.8667	0.9286	0.8966	0.9500
0.11	8.0	96	0.2352	0.8456	0.9127	0.8779	0.9389
0.0945	9.0	108	0.2179	0.8550	0.9127	0.8829	0.9429
0.0788	10.0	120	0.2203	0.8830	0.9286	0.9052	0.9445
0.0721	11.0	132	0.2079	0.8902	0.9325	0.9109	0.9516
0.0617	12.0	144	0.2367	0.8797	0.9286	0.9035	0.9445
0.0615	13.0	156	0.2183	0.8859	0.9246	0.9049	0.9492
0.0526	14.0	168	0.2179	0.8826	0.9246	0.9031	0.9516

Framework versions

Transformers 4.26.1
Pytorch 1.13.1+cu116
Datasets 2.10.0
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: e62067d