README.md

---
license: apache-2.0
base_model: BelikanM/kibali-instruct-7b-lora
tags:
  - ert
  - geophysics
  - electrical-resistivity-tomography
  - dat-files
  - multi-format
  - peft
  - lora
  - kibali-ecosystem
language:
  - fr
  - en
library_name: peft
---

# KIBALI Expert 4: Analyse Multi-Format de fichiers ERT .dat

## 🎯 Description

**Expert spécialisé dans l'analyse et l'interprétation de fichiers ERT .dat avec DEUX structures différentes.**

Construit **SUR KIBALI Phase 1** (base scientifique) pour créer un écosystème hiérarchique.

### 📊 Format 1: Fréquence/Résistivité
- Structure compacte avec fréquences en MHz
- Mesures de résistivité apparente par profil
- Format: `PROFIL NAME,station,val1,val2,...`
- Usage: Acquisitions multi-fréquences

### 📋 Format 2: Tabulaire XYZ
- Colonnes avec en-tête explicite
- Format: `survey-point depth data project`
- Géoréférencé pour cartographie
- Compatible logiciels GIS

## 🔬 Capacités

- **Détection automatique** du format de fichier
- **Analyse structurelle** des deux formats
- **Extraction de statistiques** (min, max, moyenne, écart-type)
- **Interprétation géophysique** des valeurs
- **Recommandations** sur l'usage approprié de chaque format
- **Conversion** conceptuelle entre formats

## 📊 Entraînement

- **Modèle de base**: KIBALI Phase 1 (BelikanM/kibali-instruct-7b-lora)
- **Méthode**: LoRA additionnel léger (r=2)
- **Paramètres entraînables**: 35,979,264 (0.4944%)
- **Dataset**: 9 exemples basés sur des fichiers ERT réels
- **Formats**: PROFIL AMAEL.dat (fréquence) + PROFIL AMAEL_xyz.dat (xyz)

## 💻 Utilisation

```python
from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

# Chargement hiérarchique: Mistral → KIBALI Phase 1 → Expert 4
base_model = AutoModelForCausalLM.from_pretrained(
    "mistralai/Mistral-7B-Instruct-v0.2",
    device_map="auto",
    torch_dtype=torch.float16
)

# Appliquer KIBALI Phase 1
kibali_base = PeftModel.from_pretrained(base_model, "BelikanM/kibali-instruct-7b-lora")

# Appliquer Expert 4
model = PeftModel.from_pretrained(kibali_base, "BelikanM/kibali-expert4-multi-format")
tokenizer = AutoTokenizer.from_pretrained("mistralai/Mistral-7B-Instruct-v0.2")

# Inférence
prompt = "[INST] Explique les différences entre les formats ERT .dat [/INST]"
inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
outputs = model.generate(**inputs, max_length=512)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
```

## 🌟 Écosystème KIBALI

Cet expert fait partie de l'écosystème KIBALI hiérarchique:

```
Mistral-7B (13GB)
    ↓
KIBALI Phase 1 (base scientifique) +161MB
    ↓
    └──> Expert 4: Multi-format .dat +15MB ← ICI
```

**Avantage**: Architecture hiérarchique efficace !

## 📄 Licence

Apache 2.0 - Identique au modèle de base Mistral

## 👨‍🔬 Auteur

BelikanM - Écosystème KIBALI pour la géophysique appliquée