/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense
Опубликована
20 окт 2022

Action_Items

Классификация текстаТекст → label9 профессий

Дообученная на DistilBERT модель классифицирует английский текст, определяя, содержит ли он пункт действия.

42скачиваний за 30 дней8лайковвеса обновлены20 окт 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

knkarthick/Action_Items — модель классификации текста на базе DistilBERT, дообученная на пользовательском наборе данных для выявления пунктов действий. Она относит входной фрагмент текста к одному из двух классов: «не является пунктом действия» или «пункт действия». Модель подходит для автоматического выделения задач и обязательств из заметок, стенограмм и деловой переписки. Поддерживает английский язык, использует архитектуру DistilBertForSequenceClassification и контекст до 512 токенов.

Опубликована в формате PyTorch под лицензией Apache-2.0. Карточка не приводит метрик качества или подробностей о составе обучающего набора, поэтому пригодность для конкретного корпуса следует проверять отдельно.

Сценарии применения

  • выделение поручений из стенограмм встреч
  • поиск задач и обязательств в деловой переписке
  • классификация фрагментов заметок как содержащих или не содержащих пункт действия

Ограничения

Карточка не содержит метрик качества и подробностей о пользовательском обучающем наборе. Контекст ограничен 512 токенами; качество на новых предметных областях может отличаться.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model obtained by Fine Tuning 'distilbert' using Custom Dataset!

LABEL_0 - Not an Action Item

LABEL_1 - Action Item

Usage

Example 1

from transformers import pipeline
summarizer = pipeline("text-classification", model="knkarthick/Action_Items")
text = '''
Customer portion will have the dependency of , you know , fifty five probably has to be on XGEVA before we can start that track , but we can at least start the enablement track for sales and CSM who are as important as customers because they're the top of our funnel , especially sales.
'''
summarizer(text)

Example 2

from transformers import pipeline
summarizer = pipeline("text-classification", model="knkarthick/Action_Items")
text = '''
India, officially the Republic of India, is a country in South Asia.
'''
summarizer(text)

Example 3

from transformers import pipeline
summarizer = pipeline("text-classification", model="knkarthick/Action_Items")
text = '''
We have been running the business successfully for over a decade now.
'''
summarizer(text)

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
f1305db

0 моделей