Résumé de texte

Travailler avec Hugging Face

Jacob H. Marquez

Lead Data Engineer

Qu'est-ce que la synthèse ?

Large text

Extractif vs. abstractif

Extractif :

$$ ✅ Sélectionne les phrases clés du texte

$$ ✅ Efficace, nécessite moins de ressources

$$ ❌ Manque de flexibilité ; peut être moins cohésif

Abstractif :

$$ ✅ Génère un nouveau texte reformulé

$$ ✅ Plus clair et plus lisible

$$ ❌ Nécessite davantage de ressources et de traitement

Cas d'utilisation de la synthèse extractive

📑 Documents juridiques : Met en évidence les clauses importantes

💰 Recherche financière : Extrait les informations clés

Legal Documents

Financial Research

Cas d'utilisation du résumé abstractif

News Articles

Content Recommendations.jpg

📰 Articles d'actualité : Rédige des résumés concis

$$ $$

📍 Recommandations de contenu : Génère des descriptions convaincantes

Résumé extractif en action

from transformers import pipeline

# Load the extractive summarization pipeline
summarizer = pipeline("summarization", model="nyamuda/extractive-summarization")

text = "This is my really large text about Data Science..."
summary_text = summarizer(text)

print(summary_text[0]['summary_text'])

"data science is a field that combines mathematics, statistics...."

Résumé abstractif en action

from transformers import pipeline

# Load the abstractive summarization pipeline
summarizer = pipeline("summarization", model="sshleifer/distilbart-cnn-12-6")


text = "This is my really large text about Data Science..."
summary_text = summarizer(text)
print(summary_text[0]['summary_text'])

"The global data science platform market is projected
 is projected to reach $140.9 billion by 2025..."

Paramètres pour la synthèse

✅ min_new_tokens & max_new_tokens : Contrôle de la longueur du résumé

summarizer = pipeline(task="summarization", min_new_tokens=10, max_new_tokens=150)

Passons à la pratique !

Travailler avec Hugging Face