Question-réponse

Natural Language Processing (NLP) en Python

Fouad Trad

Machine Learning Engineer

QA extractif

Réponse copiée directement du passage

Image montrant un contexte « The library closes at 6 PM on weekdays »

Image montrant une réponse extractive : « 6 PM »

QA abstractive

Le modèle génère une réponse naturelle

Image montrant une question : « When does the library close on weekdays? »

Image montrant une réponse abstractive : « Closure is at 6 PM »

QA extractif

Utile pour :
- Moteurs de recherche
- Systèmes de repérage de documents
- Applis de compréhension de lecture
Plus précis, moins sujet aux erreurs

QA abstractive

Utile pour :
- Agents conversationnels
- Assistants virtuels
- Robots de soutien à la clientèle
Peut introduire des erreurs

QA extractif

from transformers import pipeline

qa_pipeline = pipeline(task="question-answering", 
                       model="distilbert/distilbert-base-cased-distilled-squad")

context = """The Amazon rainforest is the largest tropical rainforest in the world, 
covering parts of Brazil, Peru, and Colombia."""

question = "Which countries does the Amazon rainforest cover?"

qa_answer = qa_pipeline(question=question, context=context)
print(qa_answer)

{'score': 0.9242347478866577,

 'start': 90, 'end': 116,

 'answer': 'Brazil, Peru, and Colombia'}

QA abstractive

from transformers import pipeline
qa_pipeline = pipeline(task="text2text-generation",
                       model="fangyuan/hotpotqa_abstractive")

context = """The Amazon rainforest is the largest tropical rainforest in the world, 
covering parts of Brazil, Peru, and Colombia."""
question = "Which countries does the Amazon rainforest cover?"

input_text = f"question: {question}  context: {context}"

result = qa_pipeline(input_text)

print(result)

[{'generated_text': 'The Amazon rainforest covers parts of Brazil, Peru, and Colombia.'}]

Passons à la pratique !

Natural Language Processing (NLP) en Python