/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Архитектура
bert · dense
Опубликована
2 июн 2022

BERT-Banking77

Классификация текстаТекст → label3 профессии

Модель на основе BERT классифицирует англоязычные банковские запросы по категориям набора Banking77.

162скачиваний за 30 дней15лайковвеса обновлены5 дек 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

philschmid/BERT-Banking77 — модель классификации текста на основе BERT, опубликованная под аккаунтом philschmid и обученная с помощью AutoTrain для многоклассовой классификации запросов из банковской сферы на наборе Banking77. Она принимает текст и предсказывает его категорию, например, чтобы автоматически распределять обращения клиентов по темам при обработке банковских запросов.

Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и поддерживает контекст до 512 токенов. В карточке приведены метрики на валидации: accuracy 0,926 и macro F1 0,927. Для работы с ней указан формат PyTorch; примеры доступа показывают отправку текста через API Hugging Face. Лицензия в предоставленных данных не указана.

Сценарии применения

  • Автоматическая категоризация обращений клиентов банка
  • Распределение банковских запросов по темам
  • Классификация текстов из банковской поддержки
  • Маршрутизация клиентских обращений в нужную команду

Ограничения

Модель обучена для классов набора Banking77, поэтому её категории могут не покрывать запросы за пределами этого набора. Указанные метрики получены на валидации и не гарантируют такую же точность на данных конкретного банка.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BERT-Banking77 Model Trained Using AutoTrain

  • Problem type: Multi-class Classification
  • Model ID: 940131041
  • CO2 Emissions (in grams): 0.03330651014155927

Validation Metrics

  • Loss: 0.3505457043647766
  • Accuracy: 0.9263261296660118
  • Macro F1: 0.9268371013605569
  • Micro F1: 0.9263261296660118
  • Weighted F1: 0.9259954221865809
  • Macro Precision: 0.9305746406646502
  • Micro Precision: 0.9263261296660118
  • Weighted Precision: 0.929031563971418
  • Macro Recall: 0.9263724620088746
  • Micro Recall: 0.9263261296660118
  • Weighted Recall: 0.9263261296660118

Usage

You can use cURL to access this model:

$ curl -X POST -H "Authorization: Bearer YOUR_API_KEY" -H "Content-Type: application/json" -d '{"inputs": "I love AutoTrain"}' https://api-inference.huggingface.co/models/philschmid/autotrain-does-it-work-940131041

Or Python API:

from transformers import AutoTokenizer, AutoModelForSequenceClassification, pipeline
model_id = 'philschmid/BERT-Banking77'
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForSequenceClassification.from_pretrained(model_id)
classifier = pipeline('text-classification', tokenizer=tokenizer, model=model)
classifier('What is the base of the exchange rates?')

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
BertForSequenceClassification
Ревизия весов
b06a232

0 моделей