Характеристики

Контекст: 512 токенов
Параметры: 205 млн
Архитектура: bert · dense
Опубликована: 18 сен 2023

Ссылки

named-entity-recognition

Разметка токеновТекст → label6 профессий

Многоязычная BERT-модель для извлечения именованных сущностей и чувствительных данных из текста на арабском, французском и английском языках.

37скачиваний за 30 дней58лайковвеса обновлены16 ноя 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

Многоязычная модель распознавания именованных сущностей на основе BERT, разработанная Yahya Mdarhri и дообученная на bert-base-multilingual-cased. Она выполняет разметку текста по токенам и выделяет категории, включая имена людей, организации, местоположения, даты, телефоны, IBAN, номера банковских карт, адреса электронной почты и идентификационные номера. Модель рассчитана на арабский, французский и английский языки; карточка также указывает возможность адаптации к новым меткам при наличии размеченных обучающих данных.

В репозитории указано 205,1 млн параметров, контекст до 512 токенов и формат PyTorch. Модель подходит для извлечения сущностей из текстов и идентификации контактных и финансовых данных. Лицензия обозначена как open source, без указания конкретного лицензионного идентификатора. Возможны ошибки и смещения при распознавании, особенно для имен и чувствительных категорий; результаты требуют проверки, а обработку персональных данных следует проводить с соблюдением требований конфиденциальности.

Сценарии применения

извлечение имён людей и организаций из текста
распознавание адресов и географических названий
поиск телефонов, адресов электронной почты и дат
выделение IBAN, номеров банковских карт и идентификаторов
адаптация разметки к новым категориям сущностей

Ограничения

Возможны ошибки и смещения, особенно при распознавании имён и чувствительных категорий; качество на новых типах сущностей зависит от дообучения на размеченных данных. При обработке персональных данных необходимо соблюдать требования конфиденциальности.

Для каких профессий подходит6

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 I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели IV.2Отраслевые задачиБанки, платежи и инвестицииAI помогает управлять финансовым риском, платежами, инвестиционным анализом и обслуживанием клиентов.37 задач1 723модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for Model ID

The NER model developed using BERT is designed to recognize named entities in text for multiple languages, including Arabic, French, and English. It is adaptable to new labels, allowing users to extend its capabilities beyond the initial set of 10 predefined labels. which are: 'Person_Name', 'Brand_vehicule', 'Model_vehicule', 'Organization_Name', 'location', 'phone_number', 'IBAN', 'credit_card', 'date_time', 'email', 'Identification_Number'

Model Details

Model Description

Developed by: yahya mdarhri
Model type: TOKEN CLASSIFICATION
Finetuned from model : bert-base-multilingual-cased
License: OPEN SOURCE

Uses

Named Entity Recognition (NER): The primary purpose of this model is to perform Named Entity Recognition (NER) in text data. It identifies and categorizes entities such as names of people, organizations, locations, dates, and more. Multilingual Support: The model is designed to support multiple languages, including Arabic, French, and English. It can be used by NLP practitioners, researchers, and developers working with text data in these languages. Adaptability: Users can adapt the model to recognize new entity labels by providing labeled training data for the desired categories. This feature makes it versatile for various NER tasks.

Bias, Risks, and Limitations

Bias and Fairness: Users and affected parties should be aware of potential biases in entity recognition, especially when it comes to personal names or other sensitive categories. Efforts should be made to minimize bias and ensure fairness in entity recognition.

Privacy: The model should be used responsibly to protect the privacy of individuals and organizations. When handling personally identifiable information (PII), data protection laws and privacy guidelines should be followed.

Transparency: Transparency in how the model operates, including its training data and evaluation metrics, is crucial to build trust with users and affected parties.

User Consent: If the model is used in applications where user data is processed, obtaining informed consent from users for data processing is essential.

We value your feedback! Please share your thoughts on this model. Thank you!

Model Card Contact

I build custom AI models and solutions. If you're interested in collaboration or have specific requirements, feel free to reach out. yahyamdarhri00@gmail.com

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: d23f2bb