Характеристики

Контекст: 512 токенов
Архитектура: distilbert · dense

Ссылки

Hugging Face

industry-classification

sampathkethineedi

Классификация текстаТекст → label4 профессии

Классификатор DistilBERT относит текстовые описания бизнеса к одной из 62 отраслевых категорий.

288скачиваний за 30 дней24лайкавеса обновлены16 июл 2020

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

Модель sampathkethineedi/industry-classification разработана для отнесения описания бизнеса к одной из 62 отраслевых меток. Это классификатор текста на архитектуре DistilBERT, обученный на 7000 примерах описаний компаний в Индии. Модель принимает текст и возвращает отраслевую категорию; длина контекста составляет 512 токенов. Доступны версии для PyTorch и TensorFlow.

Модель подходит для автоматической категоризации компаний по текстовым описаниям, например, при создании отраслевых каталогов или классификации бизнес-профилей. Обучающие данные охватывают только индийские компании, поэтому точность на описаниях бизнесов из других стран или отраслей может быть ниже. Лицензия в предоставленных данных не указана.

Сценарии применения

классификация компании по описанию деятельности
автоматическая разметка отрасли в бизнес-каталоге
категоризация профилей индийских компаний
распределение бизнес-описаний по отраслевым тегам

Ограничения

Модель обучена на описаниях только индийских компаний, поэтому может хуже работать на бизнесах из других стран. Контекст ограничен 512 токенами.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

industry-classification

Model description

DistilBERT Model to classify a business description into one of 62 industry tags. Trained on 7000 samples of Business Descriptions and associated labels of companies in India.

How to use

PyTorch and TF models available

from transformers import AutoTokenizer, AutoModelForSequenceClassification, pipeline

tokenizer = AutoTokenizer.from_pretrained("sampathkethineedi/industry-classification")  
model = AutoModelForSequenceClassification.from_pretrained("sampathkethineedi/industry-classification")

industry_tags = pipeline('sentiment-analysis', model=model, tokenizer=tokenizer)
industry_tags("Stellar Capital Services Limited is an India-based non-banking financial company ... loan against property, management consultancy, personal loans and unsecured loans.")

'''Ouput'''
[{'label': 'Consumer Finance', 'score': 0.9841355681419373}]

Limitations and bias

Training data is only for Indian companies

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: DistilBertForSequenceClassification
Ревизия весов: 9914232