|
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
3.06 kB
| 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](https://huggingface.co/enzoferracini/patchinsight-bertimbau-ptbr). | |
| 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. | |