CommencerCommencez gratuitement

Générer des réponses naturelles avec le QA abstractive

Les chatbots de support client visent à fournir des réponses utiles et conversationnelles, et pas seulement des extraits de texte exacts. Pour cela, ils utilisent le question answering abstractive, qui génère des réponses concises et fluides à partir du contexte. Votre objectif est d’utiliser le pipeline "text2text-generation" de Hugging Face avec un modèle entraîné pour le QA abstractive afin de produire des réponses naturelles à partir d’informations sur un produit.

Cet exercice fait partie du cours

<cours>Natural Language Processing (NLP) in Python</cours>
Voir le cours

Instructions de l’exercice

  • Créez un qa_pipeline en utilisant le modèle "fangyuan/hotpotqa_abstractive" avec la tâche "text2text-generation".
  • Utilisez le context et la question fournis pour générer une answer abstractive.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

from transformers import pipeline

# Create the abstractive question-answering pipeline
qa_pipeline = pipeline(
    task="____",
    model="____"
)

context = """This smartphone features a 6.5-inch OLED display, 128GB of storage, and a 48MP camera with night mode. It supports 5G connectivity and has a battery life of up to 24 hours."""

question = "What is the size of the smartphone's display?"

# Generate abstractive answer
result = qa_pipeline(f"____: {____} ____: {____}")
print(result)
Modifier et exécuter le code