Haben Sie Probleme mit KI oder Full-Stack-Entwicklung? Unsere Experten sind für Sie da: maßgeschneiderte Beratung, technische Integration und mehr. Erreichen Sie uns unter [email protected].

Wie man mit Python und maschinellem Lernen Texte zusammenfasst

Zusammenfassungen sind eine sehr häufige Aufgabe, die viele Entwickler gerne automatisieren würden. Wäre es zum Beispiel nicht schön, automatisch eine Zusammenfassung für jeden Blogartikel zu erstellen, den Sie schreiben? Oder Dokumente für Ihre Mitarbeiter automatisch zusammenfassen? Es gibt eine Menge guter Anwendungen.

Transformator-basierte Modelle wie Bart Large CNN erleichtern das Zusammenfassen von Text in Python. Diese Modelle für maschinelles Lernen sind einfach zu verwenden, aber schwer zu skalieren. Sehen wir uns an, wie man Bart Large CNN verwendet und wie man seine Leistung optimiert.

Zusammenfassendes Schreiben

Transformatoren und Bart Large CNN

Transformers ist ein fortschrittliches Python-Framework, mit dem sich seit kurzem sehr fortschrittliche Anwendungsfälle der natürlichen Sprachverarbeitung wie die Textzusammenfassung realisieren lassen.

Vor Transformers und den neuronalen Netzen gab es eine Reihe von Möglichkeiten, aber keine davon war wirklich zufriedenstellend.

In den letzten Jahren wurden viele gute vortrainierte Modelle zur Verarbeitung natürlicher Sprache auf der Grundlage von Transformatoren für verschiedene Anwendungsfälle entwickelt. Bart Large CNN wurde von Facebook veröffentlicht und liefert hervorragende Ergebnisse für die Textzusammenfassung.

Hier erfahren Sie, wie Sie Bart Large CNN in Ihrem Python-Code verwenden können.

Zusammenfassen von Text in Python

Der einfachste Weg, Bart Large CNN zu verwenden, ist das Herunterladen aus dem Hugging Face Repository und die Verwendung der Textzusammenfassungspipeline aus der Transformers-Bibliothek:

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))

Ausgabe:

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.

Wie Sie sehen können, handelt es sich um nur 4 Zeilen Python-Code, und die Qualität der Zusammenfassung ist sehr gut! Aber Sie haben vielleicht bemerkt, dass das Modell sehr groß ist, so dass das erste Herunterladen einige Zeit in Anspruch nimmt.

Die Parameter min_length und max_length geben die Mindest- und Höchstgröße Ihrer Zusammenfassung an. Sie stehen für eine Anzahl von Token, nicht von Wörtern. Grundsätzlich kann ein Token ein Wort sein, aber auch Satzzeichen oder Teilwörter. Im Allgemeinen können Sie davon ausgehen, dass 100 Token ungefähr 75 Wörtern entsprechen.

Wichtiger Hinweis: Ihr Eingabetext kann nicht größer als 1024 Token (entspricht in etwa 800 Wörtern) sein, da dies eine interne Beschränkung des Modells ist. Wenn Sie größere Textabschnitte zusammenfassen wollen, ist es eine gute Strategie, mehrere Teile des Textes unabhängig voneinander zusammenzufassen und die Ergebnisse dann wieder zusammenzufügen. Sie können sogar Zusammenfassungen von Zusammenfassungen erstellen!

Überlegungen zur Leistung

Es gibt jedoch 2 Hauptprobleme mit diesem Bart Large CNN-Modell.

Erstens benötigt es, wie viele Deep-Learning-Modelle, eine beträchtliche Menge an Festplattenspeicher und Arbeitsspeicher (etwa 1,5 GB!). Und dies kann immer noch als ein kleines Deep-Learning-Modell im Vergleich zu riesigen Modellen wie GPT-3, GPT-J, T5 11B usw. betrachtet werden.

Und was noch wichtiger ist: Es ist ziemlich langsam. Dieses Modell führt unter der Haube tatsächlich eine Texterstellung durch, und diese ist von Natur aus langsam. Wenn Sie versuchen, einen Text mit 800 Wörtern zusammenzufassen, dauert dies auf einer guten CPU etwa 20 Sekunden...

Die Lösung besteht darin, ein großes CNN von Bart auf einer GPU einzusetzen. Auf einem NVIDIA Tesla T4 können Sie beispielsweise eine 10-fache Beschleunigung erwarten, und Ihr 800 Wörter umfassender Text wird in etwa 2 Sekunden zusammengefasst.

GPUs sind natürlich sehr teuer, also müssen Sie selbst nachrechnen und entscheiden, ob sich die Investition lohnt!

Nutzung einer externen API für die Produktion

Die Textzusammenfassung mit Bart Large CNN ist in einem einfachen Skript sehr leicht zu handhaben, aber was ist, wenn Sie es in der Produktion für eine große Anzahl von Anfragen einsetzen wollen?

Wie bereits erwähnt, wäre eine erste Lösung, sich um die Bereitstellung eigener Hardware mit einer GPU zu kümmern und an einigen Produktionsoptimierungen zu arbeiten, um die Zusammenfassung schneller zu machen.

Eine zweite Lösung wäre, diese Aufgabe an einen speziellen Dienst wie NLP Cloud zu delegieren, der das Bart Large CNN-Modell über eine API für Sie bereitstellt. Testen Sie unseren Zusammenfassungs-API-Endpunkt hier!

Schlussfolgerung

Im Jahr 2022 ist es dank Transformers und Bart Large CNN möglich, mit sehr geringem Aufwand fortgeschrittene Textzusammenfassungen in Python durchzuführen.

Die Textzusammenfassung ist eine sehr nützliche Aufgabe, die immer mehr Unternehmen in ihrer Anwendung automatisieren. Wie Sie sehen können, kommt die Komplexität von der Leistungsseite. Es gibt einige Techniken, um Ihre Textzusammenfassung mit Bart Large CNN zu beschleunigen, aber das ist ein Thema für einen anderen Artikel!

Ich hoffe, dieser Artikel hilft Ihnen, bei Ihrem nächsten Projekt Zeit zu sparen! Probieren Sie die Textzusammenfassung auf NLP Cloud aus!

Julien Salinas
CTO bei NLP Cloud