Created only for study :)
Характеристики
- Контекст
- 512 токенов
- Параметры
- 132 млн
- Лицензия
- Apache 2.0
- Архитектура
- camembert · dense
Ссылки
WangchanBERTa-finetuned-sentiment
Модель на базе CamemBERT для классификации тональности тайскоязычных текстов на положительные, нейтральные и отрицательные высказывания.
234скачиваний за 30 дней13лайковвеса обновлены5 ноя 2021
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
WangchanBERTa-finetuned-sentiment — модель классификации текста, разработанная пользователем poom-sci на базе архитектуры CamemBERT. Она дообучена для анализа тональности тайскоязычных текстов и классифицирует высказывания как положительные, нейтральные или отрицательные.
Модель предназначена для автоматического анализа отзывов, комментариев и пользовательских сообщений на тайском языке. В обучении использовались наборы данных wongnai_reviews, wisesight_sentiment и generated_reviews_enth. Модель содержит около 132,5 млн параметров и поддерживает контекст длиной до 512 токенов; основной сценарий применения — pipeline text-classification в экосистеме Transformers и PyTorch.
Примеры в карточке показывают обработку тайских отзывов и сообщений с положительной, нейтральной и отрицательной окраской. Модель создана только для учебных целей, поэтому её предсказания следует дополнительно проверять при использовании в продуктивных системах. Распространяется по лицензии Apache-2.0.
Сценарии применения
- анализ тональности отзывов на тайском языке
- классификация комментариев клиентов
- мониторинг позитивных и негативных упоминаний бренда
- сортировка пользовательской обратной связи
- оценка эмоциональной окраски сообщений
Ограничения
Модель создана только для учебных целей, поэтому её предсказания могут требовать проверки перед использованием в продуктивных сценариях. Карточка не содержит метрик качества и подробного описания границ применимости.
Для каких профессий подходит4
Разделы каталога профессий, в задачах которых используется эта модель
III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594моделиII.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделейIII.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модельII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · text-classification
Подбираем GPU…
- Класс архитектуры
- CamembertForSequenceClassification
- Ревизия весов
- b78d071