smenaaliaga/pibot-jointbert

PIBot Joint BERT - 7 Heads

Modelo Joint BERT para clasificación multi-cabeza de consultas sobre indicadores económicos.

Cabezas de Clasificación

El modelo predice simultáneamente 7 atributos:

• indicator: Indicador económico (ej: imacec, pib)
• metric_type: Tipo de métrica (ej: index, level)
• calc_mode: Modo de cálculo (ej: yoy, mom)
• seasonal: Ajuste estacional (ej: sa, nsa)
• req_form: Forma de solicitud (ej: latest, historical)
• frequency: Frecuencia (ej: m, q, a)
• activity: Actividad/Sector (ej: total, agriculture)

Uso

Opción 1: Local (Recomendado para máxima compatibilidad)

from load_local_model import PIBotPredictor

predictor = PIBotPredictor("path/to/model")
result = predictor.predict("cual fue el pib del último trimestre")
print(result)

Opción 2: Desde Hugging Face Hub

from load_local_model import PIBotPredictor

# Descargar y usar
predictor = PIBotPredictor("username/pibot-jointbert")
result = predictor.predict("cual fue el imacec")
print(result)

Línea de comandos

python load_local_model.py --model_dir path/to/model --text "tu consulta"

Estructura del Checkpoint

model_dir/
├── model.safetensors              # Pesos del modelo
├── config.json                    # Configuración de BERT
├── training_args.bin              # Argumentos de entrenamiento
├── tokenizer.json                 # Tokenizer rápido
├── tokenizer_config.json
├── vocab.txt
├── modeling_jointbert.py          # Arquitectura custom
├── module.py                      # Clasificadores custom
├── __init__.py
├── *_label.txt                    # Labels para cada cabeza (7 archivos)
└── README.md

Detalles Técnicos

• Base Model: dccuchile/bert-base-spanish-wwm-cased (BETO)
• Framework: PyTorch + Transformers
• Formato de pesos: SafeTensors
• Tokenizer: AutoTokenizer con use_fast=True

Licencia

[Especificar licencia]

Autor

[Tu información]