Transformer-Pipelines: Welches Modell kann eine Störungsmeldung zuordnen?
Die Ausgabe von der Entscheidung her lesen
Im ersten Kapitel führt Hugging Face unterschiedliche Aufgaben vor, etwa Klassifikation und Textgenerierung. Der Text allein legt die Aufgabe noch nicht fest. Definieren Sie für das Beispiel zuerst die zulässigen Ausgaben, etwa MECH und SERVICE. Eine Stimmungsanalyse hat ein anderes Klassenschema. Selbst ein hoher Wert für POSITIVE kann deshalb die Zuordnung nicht begründen.
Zwei Prüfungen an derselben Meldung
Schreiben Sie das erwartete Ziel neben den Text. Prüfen Sie dann, ob der Modellwert zur erlaubten Menge gehört und ob er mit dem Ziel übereinstimmt. SERVICE besteht die erste Prüfung, scheitert bei dieser Meldung aber an der zweiten. Der Unterschied erklärt, warum eine fehlerfreie Schnittstelle noch keine fachlich zuverlässige Anwendung ergibt.
Eigene Darstellung zum Rechen- oder Prüfbeispiel.
Ausgabe | Zulässiger Gruppenschlüssel | Richtig zugeordnet |
|---|---|---|
"MECH" | True | True |
"POSITIVE" | False | False |
"SERVICE" | True | False |
Was der Test über das Modell sagt
Ein Klassifikationskopf berechnet Werte für die Klassen, für die er ausgelegt ist. Ein anderer Auftrag kann einen anderen Kopf, andere Trainingsbeispiele und eine andere Auswertung erfordern. Soll das Modell statt einer Gruppe eine Schichtübergabe formulieren, prüfen Sie den generierten Text auf die enthaltenen Fakten. Die Liste gültiger Gruppenschlüssel genügt dann nicht.
Das Beispiel mit Python prüfen
queues = {"MECH", "SERVICE"}
reference = "MECH"
for output in ["MECH", "POSITIVE", "SERVICE"]:
print(output, output in queues, output == reference)Erwartete Ausgabe
MECH True True
POSITIVE False False
SERVICE True FalseLokaler Python-Versuch von GuideWit. MECH besteht beide Prüfungen. SERVICE ist zulässig, weicht aber vom erwarteten Ziel ab.
Verständnisfrage
MECH und SERVICE sind gültig. Warum reicht die erste Prüfung nicht?
Weil Sie eine zulässige Antwort an die falsche Stelle schicken können. Vergleichen Sie jede Vorhersage mit einer fachlich geprüften Referenz.
Originalmaterial und Quellen
- 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