Rezumarea este o sarcină foarte comună pe care mulți dezvoltatori ar dori să o automatizeze. De exemplu, nu ar fi frumos să creați automat un rezumat al fiecărui articol de blog pe care îl scrieți? Sau să rezumați automat documentele pentru angajații dumneavoastră? Există tone de aplicații bune.
Modelele bazate pe transformatoare, cum ar fi Bart Large CNN, facilitează rezumarea textului în Python. Aceste modele de învățare automată sunt ușor de utilizat, dar greu de extins. Să vedem cum să folosim Bart Large CNN și cum să îi optimizăm performanțele.
Transformers este un cadru Python avansat care a făcut recent posibilă realizarea unor cazuri de utilizare foarte avansate de procesare a limbajului natural, cum ar fi rezumarea textului.
Înainte de Transformers și de rețelele neuronale, erau disponibile câteva opțiuni, dar niciuna dintre ele nu era cu adevărat satisfăcătoare.
În ultimii ani au fost create multe modele bune de procesare a limbajului natural, bazate pe transformatoare, pentru diferite cazuri de utilizare. Bart Large CNN a fost lansat de Facebook și oferă rezultate excelente pentru rezumatul de text.
Iată cum să utilizați Bart Large CNN în codul Python.
Cel mai simplu mod de a utiliza Bart Large CNN este să îl descărcați din depozitul Hugging Face și să utilizați conducta de rezumare a textului din biblioteca Transformers:
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))
Ieșire:
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.
După cum puteți vedea, este vorba de doar 4 linii de cod Python, iar calitatea rezumatului este foarte bună! Dar poate ați observat că modelul este mare, așa că este nevoie de timp pentru a-l descărca prima dată.
Parametrii min_length și max_length indică dimensiunile minimă și maximă ale rezumatului dumneavoastră. Aceștia reprezintă un număr de semne, nu de cuvinte. Practic, un token poate fi un cuvânt, dar și semne de punctuație sau subcuvinte. În general, puteți considera că 100 de jetoane sunt aproximativ egale cu 75 de cuvinte.
Notă importantă: textul de intrare nu poate fi mai mare de 1024 de semne (mai mult sau mai puțin egal cu 800 de cuvinte), deoarece aceasta este o limitare internă a acestui model. Dacă doriți să rezumați bucăți mai mari de text, o strategie bună este să rezumați mai multe părți ale textului în mod independent și apoi să reasamblați rezultatele. Puteți efectua chiar și rezumate ale rezumatelor!
Totuși, există două probleme principale cu acest model Bart Large CNN.
În primul rând, la fel ca multe modele de învățare profundă, necesită o cantitate importantă de spațiu pe disc și de memorie RAM (aproximativ 1,5 GB!). Iar acesta poate fi considerat în continuare un model de învățare profundă mic în comparație cu modelele uriașe precum GPT-3, GPT-J, T5 11B etc.
Și mai important, este destul de lent. Acest model realizează de fapt generarea de text sub capotă, iar generarea de text este în mod inerent lentă. Dacă încercați să rezumați un text format din 800 de cuvinte, va dura aproximativ 20 de secunde pe un procesor bun...
Soluția este de a implementa Bart CNN mare pe un GPU. De exemplu, pe un NVIDIA Tesla T4, vă puteți aștepta la o creștere de viteză de x10, iar textul de 800 de cuvinte va fi rezumat în aproximativ 2 secunde.
GPU-urile sunt, desigur, foarte scumpe, așa că depinde de tine să faci calculele și să decizi dacă merită investiția!
Rezumatul textului cu Bart Large CNN este foarte ușor de utilizat într-un script simplu, dar ce se întâmplă dacă doriți să îl utilizați în producție pentru un volum mare de cereri?
După cum s-a menționat mai sus, o primă soluție ar fi să vă ocupați de aprovizionarea propriului hardware cu un GPU și să lucrați la unele optimizări de producție pentru a face rezumarea mai rapidă.
O a doua soluție ar fi să delegați această sarcină unui serviciu dedicat, cum ar fi NLP Cloud, care vă va servi modelul Bart Large CNN prin intermediul unui API. Testați punctul final al API-ului nostru de rezumare aici!
În 2022, este posibil să se realizeze rezumarea avansată a textului în Python cu foarte puțin efort, datorită Transformers și Bart Large CNN.
Rezumatul textului este o sarcină foarte utilă pe care tot mai multe companii o automatizează în aplicațiile lor. După cum puteți vedea, complexitatea vine din partea de performanță. Există unele tehnici pentru a accelera rezumarea textului cu Bart Large CNN, dar acesta va fi un subiect pentru un alt articol!
Sper că acest articol vă va ajuta să economisiți timp pentru următorul proiect! Nu ezitați să încercați rezumatul de text pe NLP Cloud!
Julien Salinas
CTO la NLP Cloud