| ---
|
| language: nl
|
| license: mit
|
| base_model: microsoft/mdeberta-v3-base
|
| pipeline_tag: question-answering
|
| tags:
|
| - question-answering
|
| - extractive-qa
|
| - information-extraction
|
| - dutch
|
| - nederlands
|
| - multilingual
|
| ---
|
|
|
| # Arlo Extract 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 — altijd met een confidence
|
| score.
|
|
|
| Dit model dekt het **Extraction**-primitief: getypeerde velden uit vrije tekst
|
| halen. Datums, bedragen, kenmerken, locaties, namen — je stelt per veld een
|
| vraag en krijgt de letterlijke waarde uit de tekst terug.
|
|
|
| ## Arlo in actie
|
|
|
| <video controls loop muted playsinline src="https://huggingface.co/NoaberAI/arlo-extract/resolve/main/demo.mp4"></video>
|
|
|
| ## Wat dit model onderscheidt
|
|
|
| Het model wijst een stuk van de originele tekst aan als antwoord. Het verzint
|
| dus niets: wat je terugkrijgt staat er letterlijk, op de positie waar het model
|
| het gevonden heeft. En staat het gevraagde veld er niet in, dan zegt het model
|
| dat — `value` is dan `None` in plaats van een plausibel klinkende gok.
|
|
|
| Dat laatste is waar veel extractie-oplossingen op stukloopt. Een ontbrekend veld
|
| moet leeg blijven, niet ingevuld worden met het dichtstbijzijnde stukje tekst.
|
|
|
| ## Gebruik
|
|
|
| ```python
|
| from transformers import AutoModel, AutoTokenizer
|
|
|
| model = AutoModel.from_pretrained("NoaberAI/arlo-extract", trust_remote_code=True)
|
| tokenizer = AutoTokenizer.from_pretrained("NoaberAI/arlo-extract")
|
|
|
| model.extract(tokenizer,
|
| "Melding: kapotte straatverlichting aan de Julianalaan ter hoogte van "
|
| "huisnummer 42, gemeld op 3 september 2026.",
|
| "Waar is het probleem?")
|
| # {"value": "Julianalaan", "confidence": 1.00}
|
| ```
|
|
|
| ### Meerdere velden tegelijk
|
|
|
| ```python
|
| model.extract_fields(tokenizer,
|
| "Factuur 4471 van Bakkerij Jansen, totaalbedrag 47 euro 50, "
|
| "vervaldatum 15 oktober 2026.",
|
| {
|
| "factuurnummer": "Wat is het factuurnummer?",
|
| "bedrag": "Wat is het totaalbedrag?",
|
| "vervaldatum": "Wat is de vervaldatum?",
|
| })
|
| # {"factuurnummer": {"value": "4471", "confidence": 1.00},
|
| # "bedrag": {"value": "47 euro 50", "confidence": 0.84},
|
| # "vervaldatum": {"value": "15 oktober 2026", "confidence": 1.00}}
|
| ```
|
|
|
| ### Een veld dat er niet in staat
|
|
|
| ```python
|
| model.extract(tokenizer,
|
| "Het pakket wordt morgen bezorgd door PostNL.",
|
| "Wat kost de bezorging?")
|
| # {"value": None, "confidence": 0.93}
|
| ```
|
|
|
| ## Hoe het werkt
|
|
|
| Het model voorspelt voor elke positie in de tekst hoe waarschijnlijk het is dat
|
| daar een antwoord begint en eindigt. De beste combinatie daarvan is de
|
| kandidaat-span.
|
|
|
| Die kandidaat wordt vervolgens afgewogen tegen een aparte "geen antwoord"-score.
|
| Alleen als de beste span duidelijk sterker is dan die drempel, wordt hij
|
| teruggegeven. De drempel (`null_bias`) is gekalibreerd op een validatieset en
|
| zit in de modelconfiguratie — je hoeft er zelf niets aan te doen.
|
|
|
| ### Vraagformulering
|
|
|
| Hoe specifieker de vraag, hoe scherper het antwoord. Vraag je "Waar is het
|
| probleem?" dan krijg je de locatie; vraag je "Wat is er kapot?" dan krijg je het
|
| object. Twee vragen op dezelfde tekst leveren dus netjes twee verschillende
|
| velden op:
|
|
|
| ```python
|
| model.extract_fields(tokenizer,
|
| "Kapotte lantaarnpaal aan de Julianalaan ter hoogte van huisnummer 42.",
|
| {"object": "Wat is er kapot?", "locatie": "Aan welke straat is het probleem?"})
|
| # {"object": {"value": "lantaarnpaal", "confidence": 1.00},
|
| # "locatie": {"value": "Julianalaan", "confidence": 1.00}}
|
| ```
|
|
|
| ## Ook op andere talen
|
|
|
| Het model is op Nederlands getraind, maar de backbone (`mdeberta-v3-base`) is
|
| multilingual en dat blijft merkbaar. Dezelfde factuur in drie talen, met de
|
| vraag in de taal van het document:
|
|
|
| ```python
|
| model.extract(tok, "Invoice 8842 from Baker Jones, due date March 3rd 2027.",
|
| "What is the due date?")
|
| # {"value": "March 3rd 2027", "confidence": 1.00}
|
|
|
| model.extract(tok, "Rechnung 8842 von Bäcker Jones, Fälligkeitsdatum 3. März 2027.",
|
| "Was ist das Fälligkeitsdatum?")
|
| # {"value": "3. März 2027", "confidence": 1.00}
|
|
|
| model.extract(tok, "Facture 8842 de Boulanger Jones, date d'échéance 3 mars 2027.",
|
| "Quelle est la date d'échéance?")
|
| # {"value": "3 mars 2027", "confidence": 1.00}
|
| ```
|
|
|
| Handig voor administraties die ook buitenlandse facturen verwerken.
|
|
|
| ## 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 |
|
|
|
| Extraction wordt sterker in combinatie met de andere twee: `arlo-classify`
|
| bepaalt wat voor soort document je voor je hebt, en op basis daarvan stel je
|
| gericht de juiste extractievragen. Een factuur vraagt om andere velden dan een
|
| bezwaarschrift.
|
|
|
| ```python
|
| soort = classify.choice(tokenizer_c, tekst, ["factuur", "bezwaarschrift", "melding"])
|
| velden = VELDEN_PER_SOORT[soort[0]["label"]]
|
| resultaat = extract.extract_fields(tokenizer_e, tekst, velden)
|
| ```
|
|
|
| ## Technische details
|
|
|
| - **Backbone**: `microsoft/mdeberta-v3-base` (~280M parameters)
|
| - **Kop**: extractive question answering (start/eind-posities)
|
| - **Taal**: Nederlands
|
| - **Trainingsdata**: Nederlandstalige extractieve QA-data, aangevuld met
|
| domeinspecifieke voorbeelden in de stijl van meldingen, aanvragen en formele
|
| correspondentie — inclusief vragen waarop géén antwoord in de tekst staat
|
| - **Hardware**: getraind op een NVIDIA A100
|
| - **Licentie**: MIT
|
|
|
| Gemaakt door [NoaberAI](https://huggingface.co/NoaberAI).
|
|
|
