Update README.md - Add Technology Startup specialization and multi-AI provider support

4fc8b2e verified 5 days ago

23.3 kB

language:
  - en
  - my
license: apache-2.0
tags:
  - business-intelligence
  - sme
  - myanmar
  - diagnosis
  - text-generation
  - llama
  - fine-tuned
  - bios
  - gold-shop
  - southeast-asia
datasets:
  - BIOS-kernel/myanmar-sme-diagnostics-v1
base_model: meta-llama/Llama-3.3-70B-Instruct
pipeline_tag: text-generation
model_type: causal-lm
widget:
  - text: >-
      Diagnose this business: Gold Shop in Yangon, 4.2M MMK monthly revenue, 28%
      retention rate, team of 3.
    example_title: Gold Shop Diagnosis
  - text: >-
      What are the top growth opportunities for a Fashion business with 8M MMK
      revenue in Mandalay?
    example_title: Fashion Growth Opportunities

╔══════════════════════════════════════════════════════════════╗
║                                                              ║
║     ██████╗ ██╗ ██████╗ ███████╗                            ║
║     ██╔══██╗██║██╔═══██╗██╔════╝                            ║
║     ██████╔╝██║██║   ██║███████╗                            ║
║     ██╔══██╗██║██║   ██║╚════██║                            ║
║     ██████╔╝██║╚██████╔╝███████║                            ║
║     ╚═════╝ ╚═╝ ╚═════╝ ╚══════╝                            ║
║                                                              ║
║     Business Idea Operating System                           ║
║     BIOS-Insight-v1  ·  Kernel: BIOS-kernel-v1              ║
║                                                              ║
╚══════════════════════════════════════════════════════════════╝

"We don't just analyse businesses. We illuminate them."

BIOS-Insight-v1 — Business Idea Operating System

🇬🇧 English

Model Description

BIOS-Insight-v1 is a fine-tuned large language model built on LLaMA 3.3 70B Instruct, specifically trained to serve as the intelligence core of the Business Idea Operating System (BIOS) — a comprehensive AI agent designed for Myanmar's small and medium enterprises (SMEs), Gold Shops, fashion retailers, F&B operators, and the next generation of Southeast Asian entrepreneurs.

BIOS is not a chatbot. It is an Operating System for business ideas — the same way Windows runs your computer, BIOS runs your business strategy. Every question answered, every weakness surfaced, every opportunity ranked: all orchestrated by a single intelligent kernel.

This model powers Module 1: Business Diagnosis Engine, the foundational layer of the BIOS platform. Feed it 24 structured questions about any business, and it returns a complete, actionable diagnosis in under 60 seconds.

Architecture & Training

Property	Details
Base Model	`meta-llama/Llama-3.3-70B-Instruct`
Fine-tune Method	QLoRA (4-bit quantisation, rank 64)
Training Data	Myanmar SME diagnostics, Gold Shop patterns, SEA business benchmarks
Context Length	8,192 tokens
Output Format	Structured JSON — deterministic, parseable
Languages	English, Burmese (မြန်မာဘာသာ)
Quantisation	GGUF Q4_K_M available for local inference

What BIOS Produces

Given structured business inputs, BIOS-Insight-v1 generates:

{
  "health_score": 47,
  "health_label": "Fair",
  "health_dimensions": {
    "revenue_strength":    40,
    "customer_retention":  20,
    "market_position":     60,
    "technology_adoption": 30,
    "growth_trajectory":   80
  },
  "top_3_weaknesses": [
    {
      "rank": 1,
      "label": "Customer Retention",
      "your_score": 20,
      "benchmark": 60,
      "gap": 40,
      "severity": "HIGH",
      "detail": "Only 28% repeat purchase rate — Gold Shop industry average is 60%."
    }
  ],
  "growth_opportunities": [
    {
      "rank": 1,
      "title": "Boost Customer Retention Rate",
      "expected_impact": "+1,680,000 MMK estimated monthly revenue",
      "difficulty": "MEDIUM",
      "timeframe": "2–3 months"
    }
  ],
  "priority_action_items": [
    {
      "priority": 1,
      "action": "Launch a loyalty stamp card and 30-day WhatsApp follow-up sequence.",
      "composite_score": 82.0
    }
  ],
  "ai_narrative": "Shwe Zin Gold & Jewellery is operating at 47/100 health — a Fair rating that conceals a serious retention gap..."
}

Health Score Formula

The BIOS Health Score is calculated across five equally-weighted dimensions:

Health Score = (Revenue Strength    × 20%) +
               (Customer Retention  × 20%) +
               (Market Position     × 20%) +
               (Technology Adoption × 20%) +
               (Growth Trajectory   × 20%)

Where each dimension is scored 0–100.
Maximum Score: 100

Score Range	Label	Interpretation
80 – 100	🟢 Excellent	Best-in-class. Scale aggressively.
65 – 79	🔵 Good	Strong foundation. Focus on 1–2 gaps.
45 – 64	🟡 Fair	Visible weaknesses. Targeted fixes needed.
30 – 44	🟠 Below Average	Systemic issues. Restructure required.
0 – 29	🔴 Critical	Immediate intervention. Prioritise survival.

Intended Use

✅ Primary Use Cases

Myanmar Gold Shops & Jewellers — the lifeblood of Myanmar's retail economy, underserved by digital tools
Fashion & Apparel SMEs — fast-moving businesses in Yangon, Mandalay, Naypyidaw
F&B Operators — restaurants, tea shops, catering businesses
Cosmetics & Beauty Brands — direct-to-consumer Myanmar brands scaling up
Electronics Retailers — high-value, low-margin businesses needing operational precision
Any Myanmar SME founder who wants strategic clarity without a consultant's fee

❌ Out-of-Scope Uses

Large corporations (BIOS is tuned for SME scale and context)
Non-business tasks (general Q&A, creative writing)
Legal or financial advice (BIOS provides business intelligence, not regulated advisory)

How to Use

With the `transformers` Library

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_id = "BIOS-kernel/BIOS-Insight-v1"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model     = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

system_prompt = """You are BIOS — the Business Idea Operating System. 
You are the elite AI advisor for Myanmar SMEs.
Always respond in valid JSON with health_score, top_3_weaknesses, 
growth_opportunities, and priority_action_items."""

user_prompt = """Diagnose this business:
Business: Shwe Zin Gold & Jewellery | Industry: Gold Shop | Location: Yangon
Monthly Revenue: 4,200,000 MMK | Retention Rate: 28% | Team: 3 people
USP: Certified 99.9% pure gold with 10-year buyback guarantee
Pain Point: No customer follow-up system. Customers don't return.
12-Month Goal: 12,000,000 MMK
Marketing Budget: 80,000 MMK/month"""

messages = [
    {"role": "system", "content": system_prompt},
    {"role": "user",   "content": user_prompt},
]

input_ids = tokenizer.apply_chat_template(
    messages,
    add_generation_prompt=True,
    return_tensors="pt",
).to(model.device)

output = model.generate(
    input_ids,
    max_new_tokens=1024,
    temperature=0.3,
    do_sample=True,
    pad_token_id=tokenizer.eos_token_id,
)

response = tokenizer.decode(
    output[0][input_ids.shape[-1]:],
    skip_special_tokens=True,
)
print(response)

With the BIOS Controller (Recommended)

from bios_controller import BIOSController, BusinessInputs, ModelBackend

# Initialise
controller = BIOSController(
    backend    = ModelBackend.GROQ,      # or HF_INFERENCE when BIOS-Insight-v1 is live
    save_to_db = True,                   # persist to NeonDB
)

# Fill in the 24 business questions
inputs = BusinessInputs(
    business_name              = "Shwe Zin Gold & Jewellery",
    industry                   = "Gold Shop",
    location                   = "Yangon",
    years_in_business          = 7,
    monthly_revenue            = 4_200_000,
    team_size                  = 3,
    target_customer            = "Middle-income families, 30–55, buying gold for investment and festivals",
    acquisition_channels       = ["Word-of-mouth", "Facebook", "Walk-in"],
    avg_customer_lifetime_value= 350_000,
    retention_rate             = 28.0,
    main_competitors           = "Dagon Gold, KBZ Gems",
    unique_selling_proposition = "Certified 99.9% gold. Transparent pricing. 10-year buyback guarantee.",
    sales_channels             = ["Physical Store", "Facebook"],
    operational_challenge      = "Inventory management",
    biggest_pain_point         = "No system to follow up with customers after first purchase.",
    current_technology         = ["Spreadsheets"],
    marketing_channels         = ["Facebook", "Word-of-mouth"],
    monthly_marketing_budget   = 80_000,
    goal_3_month               = 5_500_000,
    goal_6_month               = 7_000_000,
    goal_12_month              = 12_000_000,
    budget_constraint          = "Tight (50-200K)",
    tech_readiness             = "Somewhat ready",
    preferred_language         = "English",
)

# Run the full diagnosis pipeline
report = controller.run_diagnosis(inputs)

# Access structured results
print(f"Health Score     : {report.health_score}/100  ({report.health_label})")
print(f"Top Weakness     : {report.top_3_weaknesses[0].label}")
print(f"Best Opportunity : {report.growth_opportunities[0].title}")
print(f"\nAI Narrative:\n{report.ai_narrative}")

# Full JSON output
print(report.to_json())

With HuggingFace Inference API

from huggingface_hub import InferenceClient

client = InferenceClient(
    model = "BIOS-kernel/BIOS-Insight-v1",
    token = "hf_your_token_here",
)

response = client.chat_completion(
    messages=[
        {"role": "system", "content": "You are BIOS. Respond in JSON."},
        {"role": "user",   "content": "Diagnose: Gold Shop, 4.2M MMK revenue, 28% retention."},
    ],
    max_tokens = 1024,
    temperature = 0.3,
)
print(response.choices[0].message.content)

Switching Models (Base vs Fine-tuned)

controller = BIOSController(backend=ModelBackend.GROQ)

# Use base LLaMA-3.3-70B (default, available now)
report_base = controller.run_diagnosis(inputs)

# Switch to BIOS-Insight-v1 once published on HuggingFace
controller.switch_to_bios_insight()
report_bios = controller.run_diagnosis(inputs)

# Switch back to base
controller.switch_to_base()

NeonDB Integration

import os
os.environ["DATABASE_URL"] = "postgresql://user:pass@ep-xxx.neon.tech/neondb?sslmode=require"

controller = BIOSController(save_to_db=True)
report     = controller.run_diagnosis(inputs)

# Retrieve saved report
saved = controller.get_report(report.session_id)

# List all diagnoses
history = controller.list_reports(limit=10)

Limitations

Benchmarks are calibrated for Myanmar market (MMK currency, Yangon/Mandalay/Naypyidaw context)
Growth projections are estimates, not guarantees — market conditions vary
The model does not access real-time data or the internet
Legal and financial decisions should always be reviewed by qualified professionals

Citation

@misc{bios-insight-v1,
  title        = {BIOS-Insight-v1: Business Idea Operating System for Myanmar SMEs},
  author       = {BIOS-kernel},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/BIOS-kernel/BIOS-Insight-v1}},
  note         = {Fine-tuned on LLaMA 3.3 70B Instruct for Myanmar business diagnostics}
}

🇲🇲 မြန်မာဘာသာ (Burmese)

မော်ဒယ်ဖော်ပြချက်

BIOS-Insight-v1 သည် LLaMA 3.3 70B Instruct ကို အခြေခံ၍ fine-tune ပြုလုပ်ထားသော AI မော်ဒယ်တစ်ခုဖြစ်ပြီး၊ မြန်မာနိုင်ငံ၏ SME (အသေးစားနှင့် အလတ်စားလုပ်ငန်းများ) — ရွှေဆိုင်များ၊ ဖက်ရှင်ဆိုင်များ၊ စားသောက်ဆိုင်များ၊ နှင့် နောင်လာမည့် Southeast Asia ၏ လုပ်ငန်းရှင်များအတွက် Business Idea Operating System (BIOS) ၏ AI အဓိကအင်ဂျင်အဖြစ် ဒီဇိုင်းထုတ်ထားသည်။

BIOS သည် chatbot တစ်ခုမဟုတ်ပါ။ ၎င်းသည် သင်၏လုပ်ငန်းအကြံဥာဏ်များအတွက် Operating System တစ်ခုဖြစ်သည် — Windows က သင်၏ကွန်ပျူတာကို run သကဲ့သို့၊ BIOS က သင်၏လုပ်ငန်းဗျူဟာကို run သည်။ မေးထားသောမေးခွန်းတိုင်း၊ ဖော်ထုတ်သော အားနည်းချက်တိုင်း၊ အဆင့်သတ်မှတ်ထားသော အခွင့်အလမ်းတိုင်း — ဆောင်ရွက်မှုအားလုံးကို AI kernel တစ်ခုတည်းဖြင့် လမ်းညွှန်သည်။

ရည်ရွယ်သောအသုံးပြုနယ်ပယ်

BIOS-Insight-v1 ကို အောက်ပါလုပ်ငန်းများအတွက် အထူးသင့်တော်သည်:

✅ အဓိကအသုံးပြုနယ်ပယ်များ

🥇 မြန်မာရွှေဆိုင်များနှင့် လက်ဝတ်ရတနာဆိုင်များ — မြန်မာ့လက်လီကုန်ခြောက်စီးပွားရေး၏ အသက်ကြောဖြစ်သော ဆိုင်များ
👗 ဖက်ရှင်နှင့် အဝတ်အထည် SME များ — ရန်ကုန်၊ မန္တလေး၊ နေပြည်တော်ရှိ ဆိုင်များ
🍜 F&B လုပ်ငန်းများ — စားသောက်ဆိုင်၊ လက်ဖက်ရည်ဆိုင်၊ Catering လုပ်ငန်းများ
💄 လှပရေးနှင့် ကောင်မီတစ်ဆ Brand များ — မြန်မာ DTC Brand များ
📱 Electronics ဆိုင်များ — ကုန်ပစ္စည်းတန်ဖိုးမြင့်သော၊ margin နည်းသောလုပ်ငန်းများ
🏢 မြန်မာ SME တည်ထောင်သူများ — consultant ဦးစောင်ကြေးမပေးဘဲ ဗျူဟာကို ရှင်းလင်းစေလိုသူများ

BIOS ၏ ကျန်းမာရေးရမှတ်ဖော်မြူလာ

BIOS Health Score ကို ညီမျှသောအချိန်ချိန်ထားသော ကဏ္ဍ ၅ ခုဖြင့် တွက်ချက်သည်:

Health Score = (ဝင်ငွေခိုင်ခံ့မှု    × ၂၀%) +
               (ဖောက်သည်ဆက်လက်ဆောင်ရွက်မှု × ၂၀%) +
               (ဈေးကွက်တွင်နေရာ        × ၂၀%) +
               (နည်းပညာဆိုင်ရာသုံးစွဲမှု  × ၂၀%) +
               (တိုးတက်မှုပန်းတိုင်       × ၂၀%)

အမြင့်ဆုံးရမှတ်: ၁၀၀

ရမှတ်	အမှတ်တံဆိပ်	အဓိပ္ပါယ်
၈၀–၁၀၀	🟢 ထူးခြားကောင်းမွန်သော	ကဏ္ဍ အကောင်းဆုံး။ တိုးချဲ့ပါ။
၆၅–၇၉	🔵 ကောင်းမွန်သော	ခိုင်မာသောအခြေခံ။ ကွာဟချက် ၁–၂ ခုကို အာရုံစိုက်ပါ။
၄၅–၆၄	🟡 ဖြစ်နိုင်သော	မြင်သာသောအားနည်းချက်များ။ ပစ်မှတ်ထားပြင်ဆင်ရန်လိုသည်။
၃၀–၄၄	🟠 ပျမ်းမျှအောက်	စနစ်ဆိုင်ရာပြဿနာများ။ ပြန်ဖွဲ့စည်းရန်လိုသည်။
၀–၂၉	🔴 အရေးပေါ်	ချက်ချင်းဝင်ရောက်ကူညီရန်လိုသည်။

မည်သို့အသုံးပြုမည်နည်း (`transformers` နှင့်)

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_id  = "BIOS-kernel/BIOS-Insight-v1"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model     = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype = torch.bfloat16,
    device_map  = "auto",
)

# မြန်မာဘာသာဖြင့် မေးမြန်းနိုင်သည်
messages = [
    {
        "role": "system",
        "content": (
            "သင်သည် BIOS ဖြစ်သည် — Business Idea Operating System။ "
            "မြန်မာ SME များအတွက် elite AI အကြံပေး။ "
            "JSON ဖော်မတ်ဖြင့် ဖြေပါ။"
        ),
    },
    {
        "role": "user",
        "content": (
            "ဤလုပ်ငန်းကို စစ်ဆေးပါ:\n"
            "လုပ်ငန်း: ရွှေဇင် ရွှေနှင့် လက်ဝတ်ရတနာ | ကဏ္ဍ: ရွှေဆိုင် | တည်နေရာ: ရန်ကုန်\n"
            "လစဉ်ဝင်ငွေ: ၄,၂၀၀,၀၀၀ ကျပ် | Retention Rate: ၂၈% | အဖွဲ့ဝင်: ၃ ဦး\n"
            "အကြီးဆုံးပြဿနာ: ဖောက်သည်များကို ပြန်မလာအောင် ဆက်သွယ်နိုင်သောစနစ် မရှိ\n"
            "၁၂ လပန်းတိုင်: ၁၂,၀၀၀,၀၀၀ ကျပ်"
        ),
    },
]

input_ids = tokenizer.apply_chat_template(
    messages, add_generation_prompt=True, return_tensors="pt"
).to(model.device)

output = model.generate(
    input_ids, max_new_tokens=1024, temperature=0.3, do_sample=True,
    pad_token_id=tokenizer.eos_token_id,
)
response = tokenizer.decode(output[0][input_ids.shape[-1]:], skip_special_tokens=True)
print(response)

BIOS Controller ဖြင့် အသုံးပြုခြင်း

from bios_controller import BIOSController, BusinessInputs, ModelBackend

controller = BIOSController(backend=ModelBackend.GROQ, save_to_db=True)

inputs = BusinessInputs(
    business_name           = "ရွှေဇင် ရွှေနှင့် လက်ဝတ်ရတနာ",
    industry                = "Gold Shop",
    location                = "ရန်ကုန်",
    years_in_business       = 7,
    monthly_revenue         = 4_200_000,
    team_size               = 3,
    retention_rate          = 28.0,
    unique_selling_proposition = "အသိအမှတ်ပြုထားသော ၉၉.၉% ရွှေစစ် — ၁၀ နှစ် buyback အာမခံ",
    biggest_pain_point      = "ဖောက်သည်များကို ပထမဝယ်ပြီးနောက် ဆက်သွယ်နိုင်သောစနစ် မရှိ",
    goal_12_month           = 12_000_000,
    preferred_language      = "မြန်မာဘာသာ",
    # ... (မေးခွန်း ၂၄ ခုလုံး)
)

report = controller.run_diagnosis(inputs)
print(f"ကျန်းမာရေးရမှတ်: {report.health_score}/၁၀၀ ({report.health_label})")
print(f"AI အစီရင်ခံချက်:\n{report.ai_narrative}")

လုံခြုံရေးနှင့် ကန့်သတ်ချက်များ

Benchmark များသည် မြန်မာ့ဈေးကွက်အခြေအနေ (MMK ငွေကြေး) အတွက် ချိန်ညှိထားသည်
ကြီးထွားမှုခန့်မှန်းချက်များသည် estimate များသာဖြစ်ပြီး အာမခံချက်မပေးနိုင်ပါ
ဥပဒေနှင့် ဘဏ္ဍာရေးဆိုင်ရာ ဆုံးဖြတ်ချက်များကို အရည်အချင်းပြည့်ဝသောကျွမ်းကျင်သူများနှင့် ပြန်လည်စစ်ဆေးသင့်သည်

BIOS — Business Idea Operating System

"သင်၏လုပ်ငန်းကို ကျွန်ုပ်တို့ ရိုးရိုးစစ်ဆေးတာမဟုတ်ပါ။ ကျွန်ုပ်တို့ ၎င်းကို လင်းထိန်စေသည်။"

"We don't just analyse businesses. We illuminate them."