Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 16 сен 2023

Ссылки

Hugging Face

pos-ner-tagging-v2

om-ashish-soni

Разметка токеновТекст → label5 профессий

Дообученная на CoNLL-2003 модель BERT для разметки токенов и извлечения именованных сущностей из текста.

7скачиваний за 30 дней0лайковвеса обновлены16 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

om-ashish-soni/pos-ner-tagging-v2 — модель разметки токенов на базе BERT, дообученная на датасете CoNLL-2003. Она предназначена для присвоения меток словам и токенам в тексте; результаты на оценочной выборке CoNLL-2003: F1 0,9401, точность 0,9270, precision 0,9394 и recall 0,9408. Модель содержит 135,5 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch.

Модель подходит для извлечения именованных сущностей и разметки последовательностей в сценариях, соответствующих данным CoNLL-2003. Карточка не уточняет схему меток и отдельные сценарии использования, поэтому качество за пределами оценочной выборки не установлено. Лицензия — Apache-2.0.

Сценарии применения

извлечение именованных сущностей из текста
разметка слов и токенов последовательными метками
распознавание сущностей в данных, похожих на CoNLL-2003

Ограничения

Карточка не описывает схему меток и ограничения применения; приведённые метрики относятся только к оценочной выборке CoNLL-2003. Поддерживаемые языки не установлены по предоставленным данным.

Для каких профессий подходит5

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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей 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

Также подходит для

II.10Разработка и эксплуатация AI/ML-систем

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

pos-ner-tagging-v2

This model is a fine-tuned version of om-ashish-soni/pos-ner-tagging-v2 on the conll2003 dataset. It achieves the following results on the evaluation set:

Loss: 0.6442
Precision: 0.9394
Recall: 0.9408
F1: 0.9401
Accuracy: 0.9270

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: 16

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.3297	1.0	1756	0.4190	0.9189	0.9231	0.9210	0.9051
0.2521	2.0	3512	0.3836	0.9210	0.9300	0.9255	0.9114
0.1932	3.0	5268	0.4155	0.9295	0.9338	0.9316	0.9183
0.1325	4.0	7024	0.3969	0.9328	0.9356	0.9342	0.9211
0.0973	5.0	8780	0.4247	0.9332	0.9367	0.9349	0.9222
0.0799	6.0	10536	0.4606	0.9338	0.9374	0.9356	0.9229
0.0554	7.0	12292	0.4836	0.9333	0.9379	0.9356	0.9239
0.0415	8.0	14048	0.5271	0.9361	0.9391	0.9376	0.9245
0.0285	9.0	15804	0.5363	0.9366	0.9397	0.9381	0.9253
0.022	10.0	17560	0.5653	0.9377	0.9396	0.9387	0.9258
0.0146	11.0	19316	0.5962	0.9374	0.9400	0.9387	0.9259
0.0121	12.0	21072	0.6061	0.9385	0.9401	0.9393	0.9266
0.0085	13.0	22828	0.6263	0.9384	0.9403	0.9394	0.9261
0.0062	14.0	24584	0.6365	0.9381	0.9399	0.9390	0.9259
0.0053	15.0	26340	0.6386	0.9384	0.9402	0.9393	0.9264
0.0042	16.0	28096	0.6442	0.9394	0.9408	0.9401	0.9270

Framework versions

Transformers 4.33.2
Pytorch 2.0.1+cu118
Datasets 2.14.5
Tokenizers 0.13.3

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: 064a9b2