CommencerCommencer gratuitement

Génération de réponses naturelles avec le QA abstractif

Les chatbots destinés au service client ont pour objectif de fournir des réponses utiles et conversationnelles, et non pas simplement des extraits de texte exacts. Pour ce faire, ils utilisent la réponse abstraite à des questions, qui génère des réponses concises et fluides en fonction du contexte. Votre tâche consiste à appliquer le pipeline d'"text2text-generation" de Hugging Face avec un modèle formé pour le QA abstrait afin de créer des réponses naturelles à partir d'informations sur les produits.

Cet exercice fait partie du cours

Traitement du langage naturel (NLP) en Python

Afficher le cours

Instructions

  • "text2text-generation" Veuillez créer une structure de planification de projet ( qa_pipeline ) en utilisant le modèle de structure de planification de projet de l'"fangyuan/hotpotqa_abstractive" ( model) avec la tâche de planification
  • Veuillez utiliser les liens fournis context et question pour générer un résumé abstrait answer.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

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