Generowanie naturalnych odpowiedzi z abstrakcyjnym QA
Chatboty obsługi klienta powinny udzielać pomocnych, naturalnie brzmiących odpowiedzi – nie tylko cytować fragmenty tekstu. Służy do tego abstrakcyjne odpowiadanie na pytania (QA), które generuje zwięzłe i płynne odpowiedzi na podstawie podanego kontekstu. Twoim zadaniem jest zastosowanie potoku "text2text-generation" z Hugging Face z modelem przeszkolonym do abstrakcyjnego QA, aby tworzyć naturalne odpowiedzi na podstawie informacji o produkcie.
To ćwiczenie jest częścią kursu
Przetwarzanie języka naturalnego (NLP) w Pythonie
Instrukcje do ćwiczenia
- Utwórz
qa_pipeline, używając modelu"fangyuan/hotpotqa_abstractive"z zadaniem"text2text-generation". - Skorzystaj z dostarczonego
contextiquestion, aby wygenerować abstrakcyjnąanswer.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
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)