Cartão Hugging Face para Modelo GPT-2 Treinado em Dados de Cannabis e Cognição
Nome do Modelo: GPT-2-Cannabis-Cognition
Desenvolvedor: [Seu Nome/Nome da Equipe]
Descrição: Este modelo GPT-2 foi ajustado para gerar grafos de conhecimento representando a relação entre o consumo de cannabis e a função cognitiva em estudantes. O conjunto de dados de treinamento consiste em instruções, entradas e saídas, onde as saídas são representadas em formato de grafo usando a linguagem DOT. O modelo é capaz de analisar, avaliar e modelar diferentes aspectos do consumo de cannabis, como blends Sativa e Indica, teores de THC e CBD, e seus efeitos em diversas funções cognitivas, como memória, atenção, foco e aprendizagem.
Características Principais:
- Domínio Específico: Ajustado para o domínio da cannabis e cognição, com foco na inter-referência entre medicina de precisao e agricultura de precisao.
- Geração de Grafos de Conhecimento: Capaz de gerar representações gráficas da relação entre variáveis relacionadas à cannabis e cognição.
- Linguagem DOT: Utiliza a linguagem DOT para representar os grafos de conhecimento, permitindo visualização e análise.
- Baseado em GPT-2: Aproveita a arquitetura robusta e o conhecimento pré-treinado do modelo GPT-2.
- Treinamento com TRL SFTTrainer: Treinado utilizando o SFTTrainer da biblioteca TRL da Hugging Face, garantindo um processo de ajuste fino eficiente.
- Otimizado para Unsloth: Compatível com a biblioteca Unsloth para um ajuste fino e inferência mais rápidos.
- Formato GGUF: Disponível em formato GGUF para uso com llama.cpp e interfaces como GPT4All.
Aplicações Potenciais:
- Pesquisa em Cannabis Medicinal: Auxiliar na pesquisa sobre os efeitos da cannabis em diferentes funções cognitivas.
- Desenvolvimento de Produtos de Cannabis: Informar o desenvolvimento de produtos de cannabis com perfis específicos de canabinoides e terpenos para fins medicinais.
- Educação sobre Cannabis: Fornecer uma ferramenta educacional para visualizar e compreender a complexa relação entre cannabis e cognição.
- Agricultura de Precisão: Auxiliar na seleção e desenvolvimento de cultivares de cannabis com características específicas para fins medicinais.
- Medicina de Precisão: Contribuir para a personalização de tratamentos com cannabis, considerando as necessidades individuais dos pacientes.
Instruções de Uso:
O modelo pode ser utilizado com a biblioteca Unsloth ou com o AutoModelForCausalLM da Hugging Face. Para gerar um grafo de conhecimento, forneça uma instrução e uma entrada no formato Alpaca prompt. O modelo irá gerar a saída em formato de grafo utilizando a linguagem DOT.
Exemplo de Input:
Modelar a relação entre o uso de um blend Sativa e a performance em tarefas de atenção sustentada em estudantes.
Output Esperado:
digraph {
node [shape=circle, fontname="Calibri Bold"];
edge [fontname="Calibri Bold"];
"Blend Sativa" -> "Atenção Sustentada" [label="Melhora (PLS-SEM)", color="blue"];
"Blend Sativa" -> "Energia" [label="Aumenta (NCA)", color="blue"];
"Energia" -> "Atenção Sustentada" [label="Influencia (NCA)", color="blue"];
}
Considerações Éticas:
É importante utilizar este modelo de forma responsável e ética, considerando as implicações do consumo de cannabis e a necessidade de pesquisas adicionais para compreender completamente seus efeitos.
Contatos:
Links: https://github.com/canabica https://huggingface.co/datasets/canabica/train/blob/main/train.json