Personnaliser les modèles spaCy

Traitement du langage naturel avec spaCy

Azadeh Mobasher

Principal data scientist

Pourquoi entraîner des modèles spaCy ?

Très utiles pour des cas d'usage NLP généraux
Mais ils n'ont pas forcément vu des données de domaines spécifiques lors de l'entraînement, p. ex.
- Données Twitter
- Données médicales

Exemple de NER dans le domaine médical

Pourquoi entraîner des modèles spaCy ?

Meilleurs résultats sur votre domaine
Indispensable pour la classification de textes spécifique au domaine

Avant de commencer l'entraînement, posez-vous ces questions :

Les modèles spaCy sont-ils assez performants sur nos données ?
Notre domaine comporte-t-il de nombreuses étiquettes absentes des modèles spaCy ?

Performance des modèles sur nos données

Les modèles spaCy sont-ils assez performants sur nos données ?
Oxford Street n'est pas correctement classé avec l'étiquette GPE :

import spacy
nlp = spacy.load("en_core_web_sm")

text = "The car was navigating to the Oxford Street."
doc = nlp(text)
print([(ent.text, ent.label_) for ent in doc.ents])

[('the Oxford Street', 'ORG')]

Étiquettes de sortie dans les modèles spaCy

Notre domaine comporte-t-il de nombreuses étiquettes absentes des modèles spaCy ?

Exemple de NER : domaine courant vs médical

Étiquettes de sortie dans les modèles spaCy

Si un entraînement personnalisé est nécessaire, procédez ainsi :

Rassembler des données propres à votre domaine
Annoter ces données
Choisir de mettre à jour un modèle existant ou d'en entraîner un de zéro

Passons à la pratique !

Traitement du langage naturel avec spaCy

Personnaliser les modèles spaCy

Pourquoi entraîner des modèles spaCy ?

Pourquoi entraîner des modèles spaCy ?

Performance des modèles sur nos données

Étiquettes de sortie dans les modèles spaCy

Étiquettes de sortie dans les modèles spaCy

Passons à la pratique !

Pourquoi entraîner des modèles spaCy ?

Pourquoi entraîner des modèles spaCy ?