Más allá del cálido abrazo Un vistazo más profundo al rostro abrazador
Explorando el caluroso abrazo Una mirada más profunda al rostro acogedor
Ajuste fino de modelos de lenguaje para el Reconocimiento de Entidades Nombradas
Hugging Face es una plataforma que ofrece herramientas y modelos pre-entrenados para varias tareas de Procesamiento del Lenguaje Natural (NLP) y Comprensión del Lenguaje Natural (NLU). En nuestro artículo anterior, Un Cálido Abrazo: Explorando Hugging Face, nos sumergimos en los conceptos básicos de esta plataforma y su biblioteca de código abierto que cuenta con implementaciones de muchas arquitecturas de transformers de última generación. Esta publicación mejora la documentación de Hugging Face al proporcionar a los científicos de datos emergentes una visión única y conectada de varias herramientas de Hugging Face para una tarea específica. Específicamente, este artículo explica cómo combinar múltiples capacidades de Hugging Face para ajustar fino un modelo de lenguaje existente para el reconocimiento de entidades nombradas (“NER” por sus siglas en inglés).
Antecedentes Relevantes
En esta sección, nos fijaremos brevemente en dos conceptos fundamentales para la construcción de nuestro modelo. Como recordatorio, cubrimos los conceptos básicos de Hugging Face en Un Cálido Abrazo: Explorando Hugging Face.
- Reconocimiento de Entidades Nombradas
- Ajuste Fino del Modelo
En las secciones siguientes, se asume que tienes ciertos conocimientos sobre el desarrollo de modelos y los conceptos asociados. Sin embargo, si algo no está claro, ¡no dudes en preguntar!
Reconocimiento de Entidades Nombradas
El Reconocimiento de Entidades Nombradas (“NER” por sus siglas en inglés) es una tarea común de procesamiento del lenguaje natural que consiste en identificar y categorizar información relevante o entidades en uno de muchos grupos predefinidos (nombrados). Los modelos de NER se pueden entrenar en una variedad de entidades, algunas de las más comunes son:
- Ajuste de hiperparámetros GridSearchCV y RandomizedSearchCV, explicados
- HuggingFace presenta TextEnvironments un orquestador entre un modelo de aprendizaje automático y un conjunto de herramientas (funciones de Python) que el modelo puede llamar para resolver tareas específicas.
- Hora en Python Convertir y formatear elementos esenciales para principiantes
- Nombres
- Organizaciones
- Fechas
- Lugares
En la siguiente imagen, he etiquetado manualmente algunas entidades nombradas diferentes en una oración de ejemplo. En el contexto del aprendizaje automático y el PLN, el NER es el proceso de automatizar este proceso de categorización a través de modelos.
Los modelos de NER pueden permitir una variedad de tareas, incluyendo pero no limitadas a la recuperación de información, resumen de contenido, recomendación de contenido y traducción automática.
Ajuste Fino del Modelo
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- ChatGPT como OCR para PDFs Tu nueva herramienta ETL para análisis de datos
- 6 Mitos sobre la Inteligencia Artificial Desacreditados Separando la Realidad de la Ficción
- Cómo los prejuicios humanos socavan las soluciones habilitadas por la IA
- LLM Confiar, pero verificar
- ¿Qué tan transparentes son los modelos de lenguaje grandes?
- Google AI presenta Spectron el primer modelo de IA de lenguaje hablado que se entrena de principio a fin para procesar directamente los espectrogramas como entrada y salida.
- Revolucionando las predicciones de moléculas biológicas con AlphaFold de DeepMind