Характеристики

Контекст: 514 токенов
Параметры: 95,2 млн
Архитектура: roberta · dense
Опубликована: 2 мар 2022

Ссылки

Hugging Face

distilroberta-finetuned-banking77

mrm8488

Классификация текстаТекст → label3 профессии

Модель на базе distilroberta-base определяет намерения пользователей в банковских обращениях по датасету Banking77.

110скачиваний за 30 дней9лайковвеса обновлены4 апр 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

mrm8488/distilroberta-finetuned-banking77 — модель классификации намерений в обращениях к банковским сервисам, разработанная на базе distilroberta-base и дообученная на датасете Banking77. Она использует архитектуру RoBERTa с классификационной головой и содержит 95,2 млн параметров; принимает текст и поддерживает контекст до 514 токенов. Модель предназначена для определения категории пользовательского запроса среди банковских намерений, например для маршрутизации обращений в службе поддержки.

В README указана точность 0,896 на тестовом наборе. Для использования доступны веса PyTorch и safetensors, а загрузить модель можно через Transformers. Карточка не сообщает условия лицензии, поэтому условия распространения здесь описать нельзя.

Сценарии применения

классификация намерений в сообщениях клиентов банка
автоматическая маршрутизация обращений в банковскую поддержку
определение категории банковского вопроса перед передачей оператору

Ограничения

Результат 0,896 указан для тестового набора Banking77 и сам по себе не гарантирует такое же качество на реальных обращениях. Контекст ограничен 514 токенами; карточка не указывает лицензию.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель IV.2Отраслевые задачиБанки, платежи и инвестицииAI помогает управлять финансовым риском, платежами, инвестиционным анализом и обслуживанием клиентов.37 задач1 723модели III.10Корпоративные функцииПроекты, процессы и операционное управлениеAI помогает планировать работу, обнаруживать отклонения и улучшать операционные процессы.25 задач2 527моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilroberta-base fine-tuned on banking77 dataset for intent classification

Test set accuray: 0.896

How to use

from transformers import AutoTokenizer, AutoModelForSequenceClassification, pipeline

ckpt = 'mrm8488/distilroberta-finetuned-banking77'
tokenizer = AutoTokenizer.from_pretrained(ckpt)
model = AutoModelForSequenceClassification.from_pretrained(ckpt)

classifier = pipeline('text-classification', tokenizer=tokenizer, model=model)
classifier('What is the base of the exchange rates?')
# Output: [{'label': 'exchange_rate', 'score': 0.8509947657585144}]

Created by Manuel Romero/@mrm8488 | LinkedIn Made with ♥ in Spain

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: RobertaForSequenceClassification
Ревизия весов: 7b95192