Боретеся зі штучним інтелектом або повним циклом розробки? Наші експерти допоможуть вам: індивідуальні консультації, технічна інтеграція та багато іншого. Звертайтеся за адресою [email protected].

Як узагальнювати текст за допомогою Python та машинного навчання

Підбиття підсумків - дуже поширене завдання, яке багато розробників хотіли б автоматизувати. Наприклад, хіба не було б непогано автоматично створювати резюме кожної статті в блозі, яку ви пишете? Або автоматично підсумовувати документи для ваших співробітників? Існує безліч хороших додатків.

Моделі на основі трансформаторів, такі як Bart Large CNN, дозволяють легко узагальнювати текст на мові Python. Ці моделі машинного навчання прості у використанні, але їх важко масштабувати. Розглянемо, як використовувати Bart Large CNN та як оптимізувати її роботу.

Написання резюме

Трансформери та Барт Лардж CNN

Transformers - це вдосконалений фреймворк Python, який нещодавно дозволив досягти дуже просунутих випадків використання природної мови, таких як узагальнення тексту.

До трансформаторів і нейронних мереж було кілька варіантів, але жоден з них не задовольняв.

За останні роки було створено багато хороших попередньо навчених моделей обробки природної мови, заснованих на Трансформаторах, для різних випадків використання. Барт Лардж CNN був випущений компанією Facebook і дає відмінні результати для узагальнення тексту.

Ось як можна використовувати Bart Large CNN у вашому коді на Python.

Реферування тексту на мові Python

Найпростіший спосіб використання Bart Large CNN - завантажити його з репозиторію Hugging Face і скористатися конвеєром узагальнення тексту з бібліотеки 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))

Виходьте:

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.

Як бачите, це всього 4 рядки коду на Python, а якість зведення дуже хороша! Але ви могли помітити, що модель велика, тому для її завантаження з першого разу потрібен час.

Параметри min_length і max_length вказують на мінімальний і максимальний розмір вашого резюме. Вони представляють кількість токенів, а не слів. В основному токеном може бути слово, а також розділові знаки або підслова. Загалом можна вважати, що 100 токенів приблизно дорівнюють 75 словам.

Важливе зауваження: Ваш вхідний текст не може бути більшим за 1024 лексеми (що приблизно дорівнює 800 словам), оскільки це є внутрішнім обмеженням цієї моделі. Якщо ви хочете підсумувати більші фрагменти тексту, гарною стратегією буде підсумувати кілька частин тексту незалежно, а потім зібрати результати. Ви навіть можете виконувати резюме резюме!

Міркування щодо ефективності

Однак є 2 основні проблеми з цією моделлю Барта Ларджа CNN.

По-перше, як і багато моделей глибокого навчання, вона вимагає значного обсягу дискового простору та оперативної пам'яті (близько 1,5 Гб!). І це ще можна вважати невеликою моделлю глибокого навчання порівняно з такими величезними, як GPT-3, GPT-J, T5 11B тощо.

Що ще важливіше, вона досить повільна. Ця модель фактично виконує генерацію тексту під капотом, а генерація тексту за своєю природою є повільною. Якщо ви намагаєтеся підсумувати шматок тексту, що складається з 800 слів, це займе близько 20 секунд на хорошому процесорі...

Рішення полягає в тому, щоб розгорнути Bart big CNN на графічному процесорі. Наприклад, на NVIDIA Tesla T4 ви можете очікувати прискорення в 10 разів, і ваш текст на 800 слів буде підсумований приблизно за 2 секунди.

Графічні процесори, звичайно, дуже дорогі, тому тільки ви можете порахувати і вирішити, чи варта ця інвестиція того!

Використання зовнішнього API для виробництва

Рерайтинг тексту за допомогою Bart Large CNN дуже легко використовувати в простому скрипті, але що робити, якщо ви хочете використовувати його в продакшені для великого обсягу запитів?

Як зазначалося вище, першим рішенням було б подбати про забезпечення власного обладнання графічним процесором та попрацювати над деякими оптимізаціями виробництва, щоб пришвидшити підбиття підсумків.

Другим рішенням може бути делегування цього завдання спеціальному сервісу, такому як NLP Cloud, який буде обслуговувати модель Барта Ларджа CNN для вас через API. Протестуйте нашу кінцеву точку API підсумовування тут!

Висновок

У 2022 році можна буде виконувати просунуте узагальнення тексту на Python з дуже невеликими зусиллями, завдяки Трансформерам і Барту Ларджу CNN.

Підсумовування тексту є дуже корисним завданням, яке зараз все більше і більше компаній автоматизують у своїх додатках. Як бачите, складність полягає в продуктивності. Існують деякі прийоми для того, щоб прискорити ваше резюме тексту за допомогою Bart Large CNN, але це буде темою для іншої статті!

Сподіваюся, ця стаття допоможе вам заощадити час для наступного проекту! Спробуйте конспектування тексту в NLP Cloud!

Julien Salinas
CTO в NLP Cloud