Natuurlijke antwoorden genereren met abstractive QA
Chatbots voor klantenservice willen behulpzame, gesprekachtige antwoorden geven, niet alleen exacte tekstfragmenten. Om dat te bereiken gebruiken ze abstractive question answering, waarmee beknopte en vloeiende antwoorden worden gegenereerd op basis van de context. Jouw taak is om Hugging Face's "text2text-generation"-pipeline toe te passen met een model dat is getraind voor abstractive QA, zodat je natuurlijke antwoorden kunt maken op basis van productinformatie.
Deze oefening maakt deel uit van de cursus
Natural Language Processing (NLP) in Python
Oefeninstructies
- Maak een
qa_pipelinemet het"fangyuan/hotpotqa_abstractive"-model voor de"text2text-generation"-taak. - Gebruik de meegeleverde
contextenquestionom een abstractiveanswerte genereren.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
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)