--- tags: - sentence-transformers - sentence-similarity - feature-extraction - generated_from_trainer - dataset_size:6680 - loss:MultipleNegativesRankingLoss base_model: intfloat/multilingual-e5-large widget: - source_sentence: 'query: Каковы последствия для банка при кредитовании клиентов-банкротов?' sentences: - 'passage: Существуют следующие ограничения: 01. Расходный лимит на месяц: Устанавливается лимит на все расходные операции по карте на месяц. Сумму лимита можно изменить в любой момент. Уведомление об установлении лимита ребенку приходить не будет. Ребенок в своем МП СБОЛ также может скорректировать сумму этого лимита или полностью убрать установленный законным представителем лимит (если ребенку доступно данное действие). В этом случае уведомление законному представителю также не придет.' - "passage: С каким вопросом обратился банкрот?\n\n11. Получение кредита/ кредитной\ \ карты, погашение задолженности по кредиту\n\n1. Банк не осуществляет:\n- кредитование\ \ Клиентов-банкротов; \n- выпуск, досрочный перевыпуск и выдачу личных дебетовых/кредитных\ \ карт Клиентам-банкротам, в т.ч. дебетовых карт с овердрафтом и дополнительных\ \ дебетовых и кредитных карт к счету Клиента-банкрота. \n\nКлиент -банкрот (в\ \ любой стадии) может погасить задолженность по своему кредиту только при наличии\ \ РАЗРЕШЕНИЯ ФУ на проведение данной операции с указанием номера кредитного договора\ \ и суммы гашения. Операция проводится в стандартном режиме.\n\n\nБезналичное\ \ гашение кредита банкротом при наличии РАЗРЕШЕНИЯ ФУ:\nВходит в АС ФС в подсистему\ \ «Переводы физических лиц» → \nвыбирает «Операции без идентификации» → \nоперация\ \ «1. Оформление переводов физических лиц» → \n«1. Переводы по системе Сбербанка»\ \ → \n«Переводы со счета для зачисления на счет» → \nуказывает № счета клиента-банкрота,\ \ с которого будет перевод, → \nвыбирает «Перевод целевых кредитов, полученных\ \ в Сбербанке России, а также собственных средств по назначению кредита» → \n\ выбирает Перевод с целью погашения кредита → \nуказывает Сумму → \nвводит реквизиты\ \ ОСБ/ВСП* → \nвводит ФИО получателя (клиента-банкрота) и № ссудного счета/№ счета\ \ кредитной карты → \nв реквизитах отправителя указывает данные ДУЛ Финансового\ \ управляющего и Информацию о кредитных обязательствах: Оплата задолженности по\ \ кредитному договору №____ от __.__.20__ г./ кредитной карте № _________; дело\ \ о банкротстве №_________, клиент: Иванов Иван Иванович." - "passage: С каким вопросом обратился ФУ?\n\n04. Открытие счета на имя банкрота\ \ \n\nНа имя банкрота финансовый управляющий может открыть Специальный банковский\ \ счет, любой другой счет, в том числе ГЖС, эскроу\nКакой счет желает открыть\ \ ФУ" - source_sentence: 'query: Что необходимо указать в обращении при информировании ПЦП Центра комплаенс Московского Банка?' sentences: - 'passage: Возможные ошибки: Связь не создана Техническая ошибка. Повторите операцию позже.' - "passage: Выбрать возраст ребенка\n\nребенку от 14 до 18 лет\n\nЕсли представитель\ \ ребенку от 14 до 18 лет является приемным родителем\n\nЗапросите следующие документы\ \ удостоверяющую личность или нотариально заверенную копию и один из документов,\ \ подтверждающие полномочия:\n\nДоговор о приемной семье\n\nДокумент органов опеки\ \ и попечительства \n\nПроставить галочку \"Документы предъявлены\" и нажать кнопку\ \ \"Продолжить\"" - 'passage: Выберите вопрос: После завершения обслуживания и ухода клиента возникли подозрения, что операция или выпуск/перевыпуск карт(ы) проводились с целью легализации преступных доходов? Для информирования ПЦП Центр комплаенс/комплаенс Московского Банка незамедлительно направьте сведения о выявленном факте через ДРУГ (см. картинку) При заполнении обращения подробно опишите возникшие подозрения для сокращения времени принятия решения в отношении клиента и инструментов удаленного доступа к счету. ВАЖНО!!! Если Вы информируете ПЦП Центр комплаенс/комплаенс Московского Банка о свершившимся факте массового открытия клиенту банковских карт, в т.ч. в составе организованной группы, то дополнительно ознакомьтесь с признаками согласования выпуска/перевыпуска карт(ы) при приеме от клиента заявления. Чтобы в следующий раз согласовать либо отказать клиенту в выпуске/перевыпуске карт(ы) на этапе приема заявления, а не после окончания обслуживания.' - source_sentence: 'query: Какая заявка требуется для исправления данных о ребёнке, если он числится умершим?' sentences: - 'query: Что писать в теме электронного письма для смены маркера?' - 'query: Что нужно подать для исправления информации о ребёнке, если он зарегистрирован как умерший?' - 'query: Какой статус подопечного следует указать при добавлении нового подопечного?' - source_sentence: 'query: Какое свидетельство необходимо для подтверждения полномочий родителя или усыновителя несовершеннолетнего?' sentences: - 'query: Что нужно сделать, чтобы разблокировать карту перед снятием наличных?' - 'query: Какой документ требуется для подтверждения полномочий родителей или усыновителей несовершеннолетних?' - 'query: Что необходимо предоставить в АС СберДруг для вопроса о военной пенсии банкрота?' - source_sentence: 'query: Что нужно для подтверждения прав родителя или усыновителя ребенка с 14 до 18 лет?' sentences: - 'query: Какие категории клиентов обслуживаются законными представителями по документу?' - 'query: Какие справки нужны, чтобы подтвердить полномочия родителей или усыновителей несовершеннолетних от 14 до 18 лет?' - 'query: Кто имеет право переводить деньги на счет по правилам Гражданского Кодекса РФ?' pipeline_tag: sentence-similarity library_name: sentence-transformers --- # SentenceTransformer based on intfloat/multilingual-e5-large This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-large](https://huggingface.co/intfloat/multilingual-e5-large) on the q2q_data and q2p_data datasets. It maps sentences & paragraphs to a 1024-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more. ## Model Details ### Model Description - **Model Type:** Sentence Transformer - **Base model:** [intfloat/multilingual-e5-large](https://huggingface.co/intfloat/multilingual-e5-large) - **Maximum Sequence Length:** 512 tokens - **Output Dimensionality:** 1024 dimensions - **Similarity Function:** Cosine Similarity - **Training Datasets:** - q2q_data - q2p_data ### Model Sources - **Documentation:** [Sentence Transformers Documentation](https://sbert.net) - **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers) - **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers) ### Full Model Architecture ``` SentenceTransformer( (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True}) (2): Normalize() ) ``` ## Usage ### Direct Usage (Sentence Transformers) First install the Sentence Transformers library: ```bash pip install -U sentence-transformers ``` Then you can load this model and run inference. ```python from sentence_transformers import SentenceTransformer # Download from the 🤗 Hub model = SentenceTransformer("George2002/sledopyt_embedder_v2") # Run inference sentences = [ 'query: Что нужно для подтверждения прав родителя или усыновителя ребенка с 14 до 18 лет?', 'query: Какие справки нужны, чтобы подтвердить полномочия родителей или усыновителей несовершеннолетних от 14 до 18 лет?', 'query: Кто имеет право переводить деньги на счет по правилам Гражданского Кодекса РФ?', ] embeddings = model.encode(sentences) print(embeddings.shape) # [3, 1024] # Get the similarity scores for the embeddings similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [3, 3] ``` ## Training Details ### Training Datasets #### q2q_data * Dataset: q2q_data * Size: 5,139 training samples * Columns: query_1 and query_2 * Approximate statistics based on the first 1000 samples: | | query_1 | query_2 | |:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | query_1 | query_2 | |:------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------| | query: Какие категории подопечных можно выбрать на экране 'Запрос документов'? | query: Какие подопечные доступны для выбора на экране 'Запрос документов'? | | query: Какие действия нужно предпринять при наличии ареста на счете для выдачи наличных? | query: Какие шаги нужно выполнить, чтобы снять деньги с арестованного счета? | | query: Что необходимо сделать, если ваш счёт не был найден в системе? | query: Какие шаги предпринять, если счет не отображается в системе? | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim" } ``` #### q2p_data * Dataset: q2p_data * Size: 1,541 training samples * Columns: query and chunk * Approximate statistics based on the first 1000 samples: | | query | chunk | |:--------|:-----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | query | chunk | |:--------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | query: Как ребенок узнает, что его карта была разблокирована законным представителем? | passage: Существуют следующие возможности:

08. Разблокировать карту:

Если ребенок заблокировал карту с причиной «Ее захватил банкомат» или «Я так хочу», то законный представитель сможет ее самостоятельно разблокировать, если с причиной «Украли или потерялось», то законный представитель сможет ее самостоятельно разблокировать только в случае, если с картой ничего не было утеряно (в остальных случаях не сможет разблокировать). Ребенок при разблокировке не получит уведомлений об этом, но увидит в своем МП СБОЛ, что карта разблокирована. При этом, ребенку также будет доступна возможность снова заблокировать карту. | | query: Какое условие нужно выполнить, чтобы законный представитель мог видеть детскую СберКарту, если ребенку исполнилось 14 лет 17.11.2022 или позже? | passage: Описание функционала во вложении ниже.

Типичные вопросы по отображению молодёжных карт в МП СБОЛ родителя и ответы на них:

01. Кто может получить доступ к картам ребенка 14-17 лет ?

Установившие в Банке связь со своим ребенком 14-17 лет законные представители: Родитель/Усыновитель, Приемный родитель, Опекун (связь отображается в СБОЛ.Про - ФП «Подопечные и представители», а также в системе SmartCare. В CRM связь законного представителя и ребенка 14-17 лет НЕ отображается), по которым выполняется одно из следующих условий:

- СберКарта ребенка 14-17 лет была открыта и активирована до 16.11.2022 включительно, и ребенку исполнилось 14 лет до 16.11.2022 включительно.

- Законный представитель до пилота видел детскую СберКарту своего ребенка 13 лет в своем МП СберБанк Онлайн, и этому ребенку исполнилось 14 лет 17.11.2022 или позднее. | | query: Что нужно указать в заявлении-анкете о личных данных клиента? | passage: Заявление-анкета
Заявление-анкета | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim" } ``` ### Evaluation Datasets #### q2q_data * Dataset: q2q_data * Size: 271 evaluation samples * Columns: query_1 and query_2 * Approximate statistics based on the first 271 samples: | | query_1 | query_2 | |:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | query_1 | query_2 | |:--------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------| | query: Какие требования к документам при обращении социального работника в ВСП? | query: Какие документы нужны социальному работнику при подаче заявки в ВСП? | | query: Что необходимо сделать перед тем, как снять наличные со счета подопечного? | query: Какие действия нужно предпринять, чтобы снять деньги со счета подопечного? | | query: Когда банкрот может получить карту МИР без согласия Финансового управляющего? | query: В каких ситуациях можно оформить карту МИР банкроту без разрешения Финансового управляющего? | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim" } ``` #### q2p_data * Dataset: q2p_data * Size: 82 evaluation samples * Columns: query and chunk * Approximate statistics based on the first 82 samples: | | query | chunk | |:--------|:-----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | query | chunk | |:-------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | query: Что делать, если появляется техническая ошибка при работе с номинальным счетом? | passage: Возможные ошибки:

Связь не создана

Техническая ошибка. Повторите операцию позже. | | query: Как клиент-банкрот может распорядиться наследством в стадии 'Реструктуризация долгов'? | passage: В случае, если Клиент, обратившийся за получением наследства при идентификации обнаружен в Стоп-Листе банкротов: 
- сообщить клиенту, что у Банка есть информация о его банкротстве и он может получить только Выплату на достойные похороны
- выплату наследства Банк осуществляет в зависимости от стадии банкротства:

!!! Получить наследство и распоряжаться им самостоятельно клиент банкрот может только после завершения процедуры банкротства.

Наследством банкрота в стадии реализация имущества распоряжается утвержденный для проведения процедуры финансовый управляющий.

В этом случае

Наследником в заявке на выплату через ОЦ заводим банкрота, выплата наследства перевеодится ему на счет.
После выплаты, ФУ уже в рамках своих полномочий сможет этими ДС распорядиться.
.

Стадия "Реструктуризация долгов"

В случае, если в отношении наследника умершего клиента - введена процедура "Реструктуризация долгов", клиент может распоряжаться наследством, только при предъявлении разрешения финан... | | query: Какую роль играют органы опеки и попечительства в процессе выдачи разрешений на операции по счету ограниченно дееспособного? | passage: Право распоряжения средствами на счете согласно требованиям ГК РФ (п.2 ст. 26, п.1 ст.37)

суммы пенсии, пособий (за исключением пособий по безработице), алиментов, страховые, в том числе по потере кормильца, наследственные суммы и т.д., суммы, перечисленные третьими лицами, а также принятые наличными денежные средства от третьих лиц, в том числе от попечителя

Ограниченно дееспособный распоряжается только с:
письменного предварительного разрешения органа опеки и попечительства* и письменного согласия попечителя.
(ниже по тексту во вложении Памятка по первичной проверке и передаче на хранение предварительного письменного разрешения органов опеки и попечительства сотрудником ВСП)

*Предварительное письменное разрешение органов опеки и попечительства на совершение операций по счетам ограниченно дееспособных может быть выдано через МФЦ в виде бумажного документа, заверенного печатью и подписью уполномоченного сотрудника МФЦ, и являющегося экземпляром электронного документа, подп... | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim" } ``` ### Training Hyperparameters #### Non-Default Hyperparameters - `eval_strategy`: steps - `per_device_train_batch_size`: 64 - `learning_rate`: 1e-05 - `weight_decay`: 0.01 - `warmup_ratio`: 0.1 - `load_best_model_at_end`: True - `push_to_hub`: True - `hub_model_id`: George2002/sledopyt_embedder_v2 - `hub_strategy`: end #### All Hyperparameters
Click to expand - `overwrite_output_dir`: False - `do_predict`: False - `eval_strategy`: steps - `prediction_loss_only`: True - `per_device_train_batch_size`: 64 - `per_device_eval_batch_size`: 8 - `per_gpu_train_batch_size`: None - `per_gpu_eval_batch_size`: None - `gradient_accumulation_steps`: 1 - `eval_accumulation_steps`: None - `torch_empty_cache_steps`: None - `learning_rate`: 1e-05 - `weight_decay`: 0.01 - `adam_beta1`: 0.9 - `adam_beta2`: 0.999 - `adam_epsilon`: 1e-08 - `max_grad_norm`: 1.0 - `num_train_epochs`: 3 - `max_steps`: -1 - `lr_scheduler_type`: linear - `lr_scheduler_kwargs`: {} - `warmup_ratio`: 0.1 - `warmup_steps`: 0 - `log_level`: passive - `log_level_replica`: warning - `log_on_each_node`: True - `logging_nan_inf_filter`: True - `save_safetensors`: True - `save_on_each_node`: False - `save_only_model`: False - `restore_callback_states_from_checkpoint`: False - `no_cuda`: False - `use_cpu`: False - `use_mps_device`: False - `seed`: 42 - `data_seed`: None - `jit_mode_eval`: False - `use_ipex`: False - `bf16`: False - `fp16`: False - `fp16_opt_level`: O1 - `half_precision_backend`: auto - `bf16_full_eval`: False - `fp16_full_eval`: False - `tf32`: None - `local_rank`: 0 - `ddp_backend`: None - `tpu_num_cores`: None - `tpu_metrics_debug`: False - `debug`: [] - `dataloader_drop_last`: True - `dataloader_num_workers`: 0 - `dataloader_prefetch_factor`: None - `past_index`: -1 - `disable_tqdm`: False - `remove_unused_columns`: True - `label_names`: None - `load_best_model_at_end`: True - `ignore_data_skip`: False - `fsdp`: [] - `fsdp_min_num_params`: 0 - `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False} - `tp_size`: 0 - `fsdp_transformer_layer_cls_to_wrap`: None - `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None} - `deepspeed`: None - `label_smoothing_factor`: 0.0 - `optim`: adamw_torch - `optim_args`: None - `adafactor`: False - `group_by_length`: False - `length_column_name`: length - `ddp_find_unused_parameters`: None - `ddp_bucket_cap_mb`: None - `ddp_broadcast_buffers`: False - `dataloader_pin_memory`: True - `dataloader_persistent_workers`: False - `skip_memory_metrics`: True - `use_legacy_prediction_loop`: False - `push_to_hub`: True - `resume_from_checkpoint`: None - `hub_model_id`: George2002/sledopyt_embedder_v2 - `hub_strategy`: end - `hub_private_repo`: None - `hub_always_push`: False - `gradient_checkpointing`: False - `gradient_checkpointing_kwargs`: None - `include_inputs_for_metrics`: False - `include_for_metrics`: [] - `eval_do_concat_batches`: True - `fp16_backend`: auto - `push_to_hub_model_id`: None - `push_to_hub_organization`: None - `mp_parameters`: - `auto_find_batch_size`: False - `full_determinism`: False - `torchdynamo`: None - `ray_scope`: last - `ddp_timeout`: 1800 - `torch_compile`: False - `torch_compile_backend`: None - `torch_compile_mode`: None - `include_tokens_per_second`: False - `include_num_input_tokens_seen`: False - `neftune_noise_alpha`: None - `optim_target_modules`: None - `batch_eval_metrics`: False - `eval_on_start`: False - `use_liger_kernel`: False - `eval_use_gather_object`: False - `average_tokens_across_devices`: False - `prompts`: None - `batch_sampler`: batch_sampler - `multi_dataset_batch_sampler`: proportional
### Training Logs | Epoch | Step | Training Loss | q2q data loss | q2p data loss | |:------:|:----:|:-------------:|:-------------:|:-------------:| | 0.1923 | 10 | 1.6931 | - | - | | 0.3846 | 20 | 0.7742 | - | - | | 0.4808 | 25 | - | 0.0053 | 0.0658 | | 0.5769 | 30 | 0.2775 | - | - | | 0.7692 | 40 | 0.2046 | - | - | | 0.9615 | 50 | 0.229 | 0.0037 | 0.0302 | | 1.1538 | 60 | 0.1043 | - | - | | 1.3462 | 70 | 0.2127 | - | - | | 1.4423 | 75 | - | 0.0035 | 0.0231 | | 1.5385 | 80 | 0.1543 | - | - | | 1.7308 | 90 | 0.1286 | - | - | | 1.9231 | 100 | 0.1095 | 0.0029 | 0.0231 | | 2.1154 | 110 | 0.0941 | - | - | | 2.3077 | 120 | 0.1543 | - | - | | 2.4038 | 125 | - | 0.0028 | 0.0230 | | 2.5 | 130 | 0.0911 | - | - | | 2.6923 | 140 | 0.1389 | - | - | | 2.8846 | 150 | 0.0812 | 0.0027 | 0.0227 | ### Framework Versions - Python: 3.10.12 - Sentence Transformers: 4.1.0 - Transformers: 4.51.3 - PyTorch: 2.6.0+cu124 - Accelerate: 1.6.0 - Datasets: 3.5.0 - Tokenizers: 0.21.1 ## Citation ### BibTeX #### Sentence Transformers ```bibtex @inproceedings{reimers-2019-sentence-bert, title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks", author = "Reimers, Nils and Gurevych, Iryna", booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing", month = "11", year = "2019", publisher = "Association for Computational Linguistics", url = "https://arxiv.org/abs/1908.10084", } ``` #### MultipleNegativesRankingLoss ```bibtex @misc{henderson2017efficient, title={Efficient Natural Language Response Suggestion for Smart Reply}, author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil}, year={2017}, eprint={1705.00652}, archivePrefix={arXiv}, primaryClass={cs.CL} } ```