| ---
|
| language: nl
|
| license: mit
|
| base_model: microsoft/mdeberta-v3-base
|
| pipeline_tag: zero-shot-classification
|
| tags:
|
| - zero-shot-classification
|
| - text-classification
|
| - natural-language-inference
|
| - dutch
|
| - nederlands
|
| - multilingual
|
| ---
|
|
|
| # Arlo Classify 1.0
|
|
|
| **Arlo** is een Nederlandse modelfamilie voor snelle, getypeerde beslissingen.
|
| Waar een taalmodel tekst genereert die je daarna moet interpreteren, geeft Arlo
|
| direct een waarde terug waar software mee kan werken — een label, een getal, een
|
| veld — altijd met een confidence score.
|
|
|
| Dit model dekt twee van de vier Arlo-primitieven: **Choice** (kiezen uit opties)
|
| en **Noul** (hoe waar is een stelling).
|
|
|
| ## Arlo in actie
|
|
|
| <video controls loop muted playsinline src="https://huggingface.co/NoaberAI/arlo-classify/resolve/main/demo.mp4"></video>
|
|
|
| ## Waarom dit anders is dan een taalmodel
|
|
|
| Een LLM beantwoordt zo'n vraag door token voor token tekst te genereren. Dat
|
| kost tijd, kost geld per token, en levert output op die je nog moet parsen —
|
| met het risico dat er iets terugkomt dat niet in je schema past.
|
|
|
| Arlo doet per vraag **één forward pass** door een encoder-model van 280M
|
| parameters. Het genereert niets; het weegt de vraag tegen de tekst en geeft een
|
| score. Daardoor:
|
|
|
| - **snel**: tientallen milliseconden per vraag, ook op een CPU
|
| - **voorspelbaar**: de uitkomst is altijd een label uit jouw lijst of een getal
|
| tussen 0 en 1 — nooit iets daarbuiten
|
| - **lokaal draaibaar**: geen API-aanroep nodig, dus geschikt voor situaties waar
|
| data de deur niet uit mag
|
| - **zonder tokenkosten**: je draait het zelf
|
|
|
| ## Gebruik
|
|
|
| ```python
|
| from transformers import AutoModel, AutoTokenizer
|
|
|
| model = AutoModel.from_pretrained("NoaberAI/arlo-classify", trust_remote_code=True)
|
| tokenizer = AutoTokenizer.from_pretrained("NoaberAI/arlo-classify")
|
| ```
|
|
|
| ### Choice — kiezen uit opties
|
|
|
| De opties geef je pas op het moment van gebruik mee. Er is geen hertraining
|
| nodig om een nieuwe categorie-indeling te gebruiken: je verandert simpelweg de
|
| lijst.
|
|
|
| ```python
|
| model.choice(tokenizer,
|
| "Kan ik mijn abonnement een maand pauzeren?",
|
| ["klacht", "vraag", "compliment"])
|
| # [{"label": "vraag", "confidence": 0.68},
|
| # {"label": "klacht", "confidence": 0.18},
|
| # {"label": "compliment", "confidence": 0.15}]
|
|
|
| model.choice(tokenizer,
|
| "De stoeptegels op de Molenstraat liggen los.",
|
| ["openbare ruimte", "vergunningen", "burgerzaken", "belastingen", "sociaal domein"])
|
| # [{"label": "openbare ruimte", "confidence": 0.61}, ...]
|
| ```
|
|
|
| Voor gevallen waar meerdere labels tegelijk waar kunnen zijn:
|
|
|
| ```python
|
| model.choice(tokenizer, tekst, labels, multi_label=True)
|
| ```
|
|
|
| ### Noul — hoe waar is deze stelling?
|
|
|
| Noul geeft een waarheidsgraad tussen 0 en 1 in plaats van een hard ja/nee, zodat
|
| je zelf de drempel bepaalt die bij jouw proces past.
|
|
|
| ```python
|
| model.noul(tokenizer,
|
| "Er ligt een gaslek open op straat, mensen worden geëvacueerd!",
|
| "Dit is een spoedeisende melding.")
|
| # {"truth": 0.72}
|
|
|
| model.noul(tokenizer,
|
| "Dit is niet urgent, maar de bank in het park kan wel geschilderd worden.",
|
| "Dit is een spoedeisende melding.")
|
| # {"truth": 0.16}
|
| ```
|
|
|
| ### Zonder trust_remote_code
|
|
|
| Het model is een gewone NLI-classifier, dus de standaardpipeline werkt ook:
|
|
|
| ```python
|
| from transformers import pipeline
|
|
|
| classifier = pipeline("zero-shot-classification", model="NoaberAI/arlo-classify")
|
| classifier("De put op de Kerkstraat is verstopt.",
|
| candidate_labels=["verkeer", "riolering", "afval"])
|
| ```
|
|
|
| ## Hoe het werkt
|
|
|
| Het model is getraind als natural language inference-classifier: het krijgt een
|
| tekst en een stelling, en bepaalt of die stelling volgt uit de tekst
|
| (*entailment*), eruit weersproken wordt (*contradiction*), of geen van beide
|
| (*neutral*).
|
|
|
| Beide primitieven bouwen daarop voort:
|
|
|
| - **Choice** zet elk label om in een stelling ("Dit gaat over riolering.") en
|
| vergelijkt de entailment-scores. Daardoor werkt het zero-shot met elke
|
| labelverzameling die je meegeeft.
|
| - **Noul** neemt je stelling rechtstreeks en normaliseert entailment tegen
|
| contradiction tot één waarheidsgraad.
|
|
|
| ## Ook op andere talen
|
|
|
| Het model is op Nederlands getraind, maar de backbone (`mdeberta-v3-base`) is
|
| multilingual en dat blijft merkbaar: dezelfde melding in vijf talen levert
|
| vrijwel dezelfde uitkomst op.
|
|
|
| ```python
|
| labels = ["openbare ruimte", "belastingen", "burgerzaken"]
|
|
|
| model.choice(tok, "De straatlamp voor mijn huis is kapot.", labels) # 0.68
|
| model.choice(tok, "The streetlight in front of my house is broken.", labels) # 0.69
|
| model.choice(tok, "Die Straßenlaterne vor meinem Haus ist kaputt.", labels) # 0.71
|
| model.choice(tok, "Le lampadaire devant ma maison est cassé.", labels) # 0.67
|
| model.choice(tok, "La farola delante de mi casa está rota.", labels) # 0.66
|
| ```
|
|
|
| Alle vijf kiezen `openbare ruimte`. Je labels en stellingen mag je in het
|
| Nederlands laten staan, ook als de tekst dat niet is — voor Noul werkt dat zelfs
|
| beter dan de stelling meevertalen:
|
|
|
| ```python
|
| tekst = "There is a tree across the road, very dangerous!"
|
|
|
| model.noul(tok, tekst, "Dit is een spoedeisende melding.") # {"truth": 0.87}
|
| model.noul(tok, tekst, "This is an urgent report.") # {"truth": 0.61}
|
| ```
|
|
|
| ## De Arlo-familie
|
|
|
| Arlo bestaat uit drie modellen die samen een complete laag vormen voor
|
| gestructureerde beslissingen. Ze delen dezelfde backbone-architectuur en
|
| hetzelfde output-contract — een waarde plus een confidence — en zijn
|
| onafhankelijk of gecombineerd te gebruiken.
|
|
|
| | Model | Primitieven | Waarvoor |
|
| |---|---|---|
|
| | **[arlo-classify](https://huggingface.co/NoaberAI/arlo-classify)** | Choice, Noul | categoriseren, routeren, waarheidsvragen |
|
| | [arlo-score](https://huggingface.co/NoaberAI/arlo-score) | Score | numeriek beoordelen tegen een rubric |
|
| | [arlo-extract](https://huggingface.co/NoaberAI/arlo-extract) | Extraction | getypeerde velden uit tekst halen |
|
|
|
| Eén binnenkomende tekst door alle drie halen geeft in één keer een volledig
|
| gestructureerd beeld:
|
|
|
| ```python
|
| tekst = ("Al drie dagen ligt er een dode boom over het fietspad aan de "
|
| "Dorpsstraat, gevaarlijke situatie voor fietsers, graag snel actie.")
|
|
|
| classify.choice(tokenizer_c, tekst, ["openbare ruimte", "vergunningen", "burgerzaken"])
|
| # [{"label": "openbare ruimte", "confidence": 0.75}, ...]
|
|
|
| classify.noul(tokenizer_c, tekst, "Dit is een spoedeisende melding.")
|
| # {"truth": 0.77}
|
|
|
| extract.extract(tokenizer_e, tekst, "Waar is het probleem?")
|
| # {"value": "Dorpsstraat", "confidence": 1.00}
|
| ```
|
|
|
| Van vrije tekst naar een compleet ingevuld formulier, in een fractie van de tijd
|
| die een taalmodel nodig heeft — en zonder dat er iets te parsen valt.
|
|
|
| ## Technische details
|
|
|
| - **Backbone**: `microsoft/mdeberta-v3-base` (~280M parameters)
|
| - **Kop**: sequence classification, 3 klassen (entailment / neutral / contradiction)
|
| - **Taal**: Nederlands
|
| - **Trainingsdata**: Nederlandse natural language inference-data, aangevuld met
|
| domeinspecifieke voorbeelden uit overheid en klantenservice
|
| - **Hardware**: getraind op een NVIDIA A100
|
| - **Licentie**: MIT
|
|
|
| Gemaakt door [NoaberAI](https://huggingface.co/NoaberAI).
|
|
|
