Modelos Transformer — ¿Qué modelo puede clasificar un aviso de mantenimiento?
Ruta de aprendizaje
Familias de transformadores, tareas, transferencia, inferencia, sesgos y límites.
El curso parte de un clasificador de sentimiento. El tokenizador convierte el texto en identificadores, el modelo calcula una puntuación por clase y el procesamiento final devuelve una etiqueta legible. La confianza obtenida se refiere al conjunto de clases que el modelo aprendió a distinguir.
Resolver el caso paso a paso
Anota los destinos permitidos,
MECHySERVICE. En este ejercicio corresponde revisar el protector en el taller, por lo que la referencia esMECH. Guarda también el aviso para que otra persona pueda comprobar esa decisión.Supón que un modelo devuelve
POSITIVEcon una confianza de 0,99. El resultado ni siquiera pertenece al conjunto de destinos. El código comprueba por separado si la salida es admisible y si coincide con el destino de referencia.Un codificador con una capa de clasificación entrenada para el reparto puede devolver directamente un código. Un modelo generativo puede añadir una explicación. Aplica la misma validación a ambos. Si lo que necesitas es redactar el parte de relevo, también puedes considerar una arquitectura de codificador y decodificador.
Diagrama original de GuideWit. Tres etiquetas frente a la lista de colas y la ruta esperada.
Ejemplo resuelto
Salida | Cola válida | Ruta correcta |
|---|---|---|
"MECH" | True | True |
"POSITIVE" | False | False |
"SERVICE" | True | False |
Probar con Python 3
queues = {"MECH", "SERVICE"}
reference = "MECH"
for output in ["MECH", "POSITIVE", "SERVICE"]:
print(output, output in queues, output == reference)Resultado esperado
MECH True True
POSITIVE False False
SERVICE True FalseExperimento local de Python de GuideWit. MECH supera ambas pruebas. SERVICE pertenece a la lista, pero no coincide con el destino esperado.
Un código válido todavía puede enviar el aviso al equipo equivocado. Contrasta el resultado con la decisión independiente de un responsable e incluye avisos con negaciones y dos averías. Reserva para revisión los casos ambiguos.
Diagnóstico
Síntoma | Comprobación |
|---|---|
Aparece una etiqueta de sentimiento en el campo de destino. | Consulta el vocabulario de clases y rechaza cualquier valor ajeno a los equipos admitidos. |
El destino existe, pero nadie revisa el protector. | Compara con la referencia y busca qué expresión del aviso llevó a esa asignación. |
Preguntas de control
- ¿Basta una confianza alta en el sentimiento para asignar el aviso al taller?
- ¿Qué cambia si se pide un parte de relevo de dos frases?
Respuestas
- No. La puntuación estima el sentimiento y no evalúa el destino operativo.
- Se necesita generar texto y comprobar que la descripción conserva el peligro asociado al protector.
Glosario
Capa de clasificación — Parte del modelo que transforma la representación del texto en una puntuación por clase.
Fuentes y unidades
El caso, la prueba en Python y el diagrama son ejemplos propios. Las fuentes del capítulo se indican a continuación.
- Hugging Face LLM Course · 1
- Transformers, what can they do?
- How do Transformers work?
- Transformer Architectures
- Deep dive into Text Generation Inference with LLMs
- Bias and limitations
- The pipeline function · 00:32
- Welcome to the Hugging Face course
- Why is language processing challenging?
- The carbon footprint of Transformers
- What is Transfer Learning?
- The Transformer architecture
- How Transformers solve tasks
- Transformer models: Encoders
- Transformer models: Decoders
- Transformer models: Encoder-Decoders
- Inference with LLMs