File size: 2,323 Bytes
6f07d4d 114862d 6f07d4d | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 | ---
language:
- es
license: mit
library_name: pytorch
tags:
- text-classification
- multitask-learning
- sentence-transformers
- spanish
- intent-classification
pipeline_tag: text-classification
---
# PIBot Intent Router (Multitarea)
Modelo multitarea para clasificación de texto en español usando un encoder compartido (`sentence-transformers`) y 3 cabezas clasificadoras:
- `macro`: `"1"` o `"0"`
- `intent`: `"value"` , `"method"`, `"other"`
- `context`: `"standalone"` o `"followup"`
Este repositorio contiene artefactos de inferencia:
- `encoder/`
- `heads.pt`
- `label2id.json`
- `id2label.json`
- `train_config.json`
## Uso rápido
### 1) Instalar dependencias
```bash
pip install torch sentence-transformers huggingface-hub
```
Si usarás el código de este proyecto para inferencia local:
```bash
pip install -r requirements.txt
```
### 2) Descargar artefactos desde Hugging Face
```python
from huggingface_hub import snapshot_download
artifact_dir = snapshot_download(repo_id="TU_USUARIO/TU_REPO")
print(artifact_dir)
```
### 3) Inferencia con el código del proyecto
```python
from pathlib import Path
from src.serialization.artifacts import load_artifacts
from src.infer.predict import predict_all_tasks
artifact_dir = Path("RUTA_DESCARGADA_DESDE_SNAPSHOT")
encoder, multitask_model, _, id2label = load_artifacts(artifact_dir, device="cpu")
text = "quiero pagar mi factura"
output = predict_all_tasks(
text=text,
encoder=encoder,
multitask_model=multitask_model,
id2label=id2label,
device="cpu",
)
print(output)
```
Salida esperada (ejemplo):
```json
{
"macro": {"label": "1", "score": 0.97},
"intent": {"label": "method", "score": 0.92},
"context": {"label": "standalone", "score": 0.88}
}
```
## Uso por CLI
Con este proyecto clonado, también puedes probar:
```bash
python -m src.main test --artifact-dir models/artifacts --text "quiero pagar mi factura" --device cpu
```
## Notas
- El modelo está diseñado para inferencia de 3 tareas simultáneas.
- `score` corresponde a la probabilidad de la clase predicha por cada tarea.
- Para endpoint administrado en HF, se recomienda agregar `handler.py` y `requirements.txt` orientados al entorno de despliegue.
|