Kæmper du med AI eller full-stack-udvikling? Vores eksperter er her for at vejlede dig: skræddersyet rådgivning, teknisk integration og meget mere. Kontakt os på [email protected].

Sådan opsummerer du tekst med Python og maskinlæring

Sammenfatning er en meget almindelig opgave, som mange udviklere gerne vil automatisere. Ville det f.eks. ikke være rart at kunne oprette et automatisk resumé af hver blogartikel, du skriver? Eller automatisk at opsummere dokumenter til dine medarbejdere? Der findes tonsvis af gode applikationer.

Transformer-baserede modeller som Bart Large CNN gør det nemt at opsummere tekst i Python. Disse maskinlæringsmodeller er nemme at bruge, men svære at skalere. Lad os se, hvordan man bruger Bart Large CNN, og hvordan man optimerer dens ydeevne.

Resumé af skrivning

Transformers og Bart Large CNN

Transformers er en avanceret Python-ramme, som for nylig har gjort det muligt at opnå meget avancerede brugssituationer for behandling af naturligt sprog som f.eks. tekstresuméer.

Før Transformers og neurale netværk var der et par muligheder, men ingen af dem var rigtig tilfredsstillende.

Der er i de seneste år blevet udviklet mange gode, forudtrænede modeller til behandling af naturligt sprog baseret på Transformers til forskellige anvendelsesformål. Bart Large CNN er blevet frigivet af Facebook og giver fremragende resultater til tekstresuméer.

Her kan du se, hvordan du bruger Bart Large CNN i din Python-kode.

Sammenfatning af tekst i Python

Den enkleste måde at bruge Bart Large CNN på er at downloade det fra Hugging Face-repositoriet og bruge tekstresumeerings-pipeline fra Transformers-biblioteket:

from transformers import pipeline

summarizer = pipeline("summarization", model="facebook/bart-large-cnn")

article = """New York (CNN)When Liana Barrientos was 23 years old, she got married in Westchester County, New York.
A year later, she got married again in Westchester County, but to a different man and without divorcing her first husband.
Only 18 days after that marriage, she got hitched yet again. Then, Barrientos declared "I do" five more times, sometimes only within two weeks of each other.
In 2010, she married once more, this time in the Bronx. In an application for a marriage license, she stated it was her "first and only" marriage.
Barrientos, now 39, is facing two criminal counts of "offering a false instrument for filing in the first degree," referring to her false statements on the
2010 marriage license application, according to court documents.
Prosecutors said the marriages were part of an immigration scam.
On Friday, she pleaded not guilty at State Supreme Court in the Bronx, according to her attorney, Christopher Wright, who declined to comment further.
After leaving court, Barrientos was arrested and charged with theft of service and criminal trespass for allegedly sneaking into the New York subway through an emergency exit, said Detective
Annette Markowski, a police spokeswoman. In total, Barrientos has been married 10 times, with nine of her marriages occurring between 1999 and 2002.
All occurred either in Westchester County, Long Island, New Jersey or the Bronx. She is believed to still be married to four men, and at one time, she was married to eight men at once, prosecutors say.
Prosecutors said the immigration scam involved some of her husbands, who filed for permanent residence status shortly after the marriages.
Any divorces happened only after such filings were approved. It was unclear whether any of the men will be prosecuted.
The case was referred to the Bronx District Attorney\'s Office by Immigration and Customs Enforcement and the Department of Homeland Security\'s
Investigation Division. Seven of the men are from so-called "red-flagged" countries, including Egypt, Turkey, Georgia, Pakistan and Mali.
Her eighth husband, Rashid Rajput, was deported in 2006 to his native Pakistan after an investigation by the Joint Terrorism Task Force.
If convicted, Barrientos faces up to four years in prison.  Her next court appearance is scheduled for May 18."""

summary = summarizer(article, max_length=130, min_length=30))

Output:

Liana Barrientos, 39, is charged with two counts of "offering a false instrument for filing in the first degree" In total, she has been married 10 times, with nine of her marriages occurring between 1999 and 2002. She is believed to still be married to four men.

Som du kan se, er der kun tale om 4 linjer Python-kode, og kvaliteten af resuméet er meget god! Men du har måske bemærket, at modellen er stor, så det tager tid at hente den første gang.

Parametrene min_length og max_length angiver den mindste og største størrelse af dit resumé. De repræsenterer et antal tokens, ikke ord. Grundlæggende kan et token være et ord, men også tegnsætning eller underord. Generelt kan man sige, at 100 tokens svarer nogenlunde til 75 ord.

Vigtig bemærkning: din indtastede tekst kan ikke være større end 1024 tokens (mere eller mindre svarende til 800 ord), da dette er en intern begrænsning i denne model. Hvis du ønsker at opsummere større tekststykker, er det en god strategi at opsummere flere dele af teksten uafhængigt af hinanden og derefter samle resultaterne igen. Du kan endda udføre resuméer af resuméer!

Overvejelser om ydeevne

Der er dog to hovedproblemer med denne Bart Large CNN-model.

For det første kræver den, som mange andre deep learning-modeller, en stor mængde diskplads og RAM (ca. 1,5 GB!). Og dette kan stadig betragtes som en lille deep learning-model sammenlignet med store modeller som GPT-3, GPT-J, T5 11B osv.

Endnu vigtigere er det, at det er ret langsomt. Denne model udfører faktisk tekstgenerering under motorhjelmen, og tekstgenerering er i sagens natur langsom. Hvis du forsøger at opsummere et stykke tekst bestående af 800 ord, vil det tage omkring 20 sekunder på en god CPU ...

Løsningen er at implementere Bart store CNN på en GPU. På en NVIDIA Tesla T4 kan du f.eks. forvente en hastighedsstigning på x10, og din tekst på 800 ord vil blive opsummeret på ca. 2 sekunder.

GPU'er er naturligvis meget dyre, så det er op til dig at regne det hele ud og beslutte, om investeringen er det værd!

Udnyttelse af et eksternt API til produktion

Tekstresuméer med Bart Large CNN er meget nemme at bruge i et simpelt script, men hvad hvis du vil bruge det i produktion til en stor mængde forespørgsler?

Som nævnt ovenfor ville en første løsning være at sørge for at tilvejebringe din egen hardware med en GPU og arbejde på nogle produktionsoptimeringer for at gøre opsummeringen hurtigere.

En anden løsning ville være at uddelegere denne opgave til en dedikeret tjeneste som NLP Cloud, der vil servere Bart Large CNN-modellen for dig via en API. Test vores API-slutpunkt for opsummering her!

Konklusion

I 2022 er det muligt at udføre avanceret tekstresuméer i Python med meget lille indsats takket være Transformers og Bart Large CNN.

Tekstresuméer er en meget nyttig opgave, som flere og flere virksomheder nu automatiserer i deres applikationer. Som du kan se, kommer kompleksiteten fra ydelsessiden. Der findes nogle teknikker til at fremskynde din tekstsammenfatning med Bart Large CNN, men det vil være et emne for en anden artikel!

Jeg håber, at denne artikel vil hjælpe dig med at spare tid til dit næste projekt! Du er velkommen til at prøve tekstresuméer i NLP Cloud!

Julien Salinas
Teknisk direktør hos NLP Cloud