Ejecución de una canalización de QA

Una pipeline de Hugging Face integra un modelo y un tokenizador en una sola llamada sencilla. Se le proporcionan una pregunta y un contexto, y devuelve una respuesta. 🚀

Todo comienza con una importación. La función pipeline de la biblioteca transformers construye toda la estructura de respuesta a preguntas por usted.

Pase el nombre de la tarea question-answering a pipeline. Si no especifica ningún modelo, descargará por usted un modelo predeterminado adecuado.

La pipeline necesita un contexto: el pasaje que contiene la respuesta. Piense en él como el texto que el modelo tiene permitido leer.

Ahora llame a la pipeline con una pregunta y el contexto. Examina el pasaje y devuelve el span que mejor coincide.

El resultado es un diccionario. El texto de la respuesta se encuentra bajo la clave answer, listo para imprimirlo o almacenarlo.

Cada resultado también incluye una puntuación entre 0 y 1. Un valor más alto significa que el modelo está más seguro del span elegido.

El resultado incluye los índices de caracteres de inicio y fin. Indican exactamente dónde se encontró la respuesta dentro del contexto.

Puede fijar un modelo específico mediante su nombre. Un modelo pequeño y popular para responder preguntas es distilbert, ajustado con el conjunto de datos SQuAD.

Un contexto puede responder a muchas preguntas. Cree la pipeline una vez y llámela repetidamente con preguntas nuevas sobre el mismo pasaje.

Recuerde: esta pipeline extractiva responde solo a partir del contexto que le proporcione. Si pregunta por algo que no aparece en el texto, obtendrá un span poco adecuado.

Recuerde cómo devuelve su resultado la pipeline de respuesta a preguntas.

Una llamada a pipeline recibe una pregunta y un contexto, y devuelve un dict con answer, score, start y end. Ha ejecutado una respuesta a preguntas extractiva en tres líneas. ✅