Download project-docs/MODEL_CARD.md from enzoferracini/patchinsight-bertimbau-ptbr: direct link, hf CLI and curl.
- Browser
- Download file 3.06 kB
-
https://huggingface.co/enzoferracini/patchinsight-bertimbau-ptbr/resolve/main/project-docs/MODEL_CARD.md
- Command line
-
hf download hf://enzoferracini/patchinsight-bertimbau-ptbr/project-docs/MODEL_CARD.md
-
curl -L -o MODEL_CARD.md https://huggingface.co/enzoferracini/patchinsight-bertimbau-ptbr/resolve/main/project-docs/MODEL_CARD.md
language:
- pt
license: mit
base_model: neuralmind/bert-base-portuguese-cased
pipeline_tag: text-classification
tags:
- multilabel-classification
- synthetic-data
PatchInsight 0.1 — Model Card em preparação
Status: template de Model Card usado antes de preparar uma publicação.
A card com os resultados reais está no modelo publicado.
O treinamento copia este template para cada novo bundle; prepare_hub.py
preenche os resultados do respectivo run antes da publicação.
O modelo proposto é BERTimbau Base com ajuste completo dos pesos e cabeça de
cinco saídas sigmoid na ordem action, context, method, result,
measurement. Modelo base: neuralmind/bert-base-portuguese-cased, revisão
94d69c95f98f7d5b2a8700c420230ae10def0baa. A Model Card do base declara MIT;
o aviso original está em licenses/BERTIMBAU-MIT.txt.
Treino previsto: seed 42, até cinco épocas, AdamW, learning rate 2e-5, máximo
de 192 tokens, batch 8 e acumulação 2. Seleção por macro-F1 de validação;
empate mantém a época mais antiga. Limiar 0,5 para todos os rótulos, sem ajuste
usando teste. patchinsight.json registra a configuração efetiva, a época
selecionada, hashes dos dados e ambiente. Sigmoid não representa probabilidade
calibrada nem qualidade do texto.
Dados: PatchInsight Synthetic pt-BR 0.1, 280/60/60 variantes, 70/15/15 cenários. São exemplos sintéticos anotados e revisados pela mesma IA, sem revisão humana. O teste é fixado antes dos experimentos e fica fora de seleção e ajuste.
Avaliação pendente: heurísticas, encoder congelado com regressão logística por rótulo, BERTimbau ajustado, no mesmo teste. Relatar macro/micro-F1, exact match, precision/recall/F1, suporte e TP/FP/FN/TN de cada rótulo. Nenhuma métrica de fine-tuning foi produzida. Publicar resultado negativo se não superar baselines.
Inferência: patchinsight predict --model ./model --text '...' --json.
O bundle é carregado localmente com hashes verificados. O retorno sinaliza
truncamento; componentes negativos no prefixo truncado viram unknown para
evitar afirmar ausência no texto completo. O score desses componentes é null.
O modelo não extrai spans nem comprova causalidade entre ação e efeito.
Limitações: dados pequenos, composicionais, com atalhos lexicais e estilísticos; domínio concentrado em software/dados/IA; avaliação sem anotação humana; generalização externa desconhecida. Estruturas são regras de coocorrência e fixtures, não um benchmark humano de XYZ ou STAR.
Uso pretendido: experimento aberto de classificação de componentes textuais. Não usar para ranking de pessoas, contratação automática ou atribuir qualidade universal a textos profissionais. O projeto é autoral, independente, motivado por candidatura; não é patrocinado, supervisionado ou endossado por empresa.
Referência do encoder: Souza, Nogueira e Lotufo (2020), BERTimbau: Pretrained BERT Models for Brazilian Portuguese, BRACIS.