Использование классификации Zero-Shot с обнимающими трансформерами лица 🤗 для поддержки эмоционального интеллекта в контексте ведения журнала.
Ведение дневника может принести на удивление много преимуществ: от улучшения внимательности, памяти или распорядка сна до снижения стресса. и укрепление иммунной системы.
Одна из ключевых идей заключается в том, что ведение дневника помогает нам размышлять о мыслях и чувствах, когда мы рассказываем и систематизируем прошлые события. И здесь на помощь приходят языковые модели-трансформеры, способные поддерживать вовлеченность, осведомленность и понимание. Мы можем расшифровать значение, закодированное в журнальной записи, и пометить ее наиболее подходящей меткой из нашего предопределенного, специфичного для случая использования набора. Это может быть более широкий набор дескрипторов эмоций и чувств или узкий, адаптированный к определенной части пути пользователя.
Возможность
Такая вариация анализа тональности может принимать различные формы с точки зрения целенаправленной интеграции в контекст продукта.
Например, в виде эмпатических наводящих вопросов, которые предлагают проверку, поддержку и дальнейшее развитие рефлексивной позиции ведения дневника. Возможно, как единичные или разветвляющиеся диалоговые обмены чат-ботами.
Выполняя более пассивную роль, эта модель могла бы помочь нам автоматически помечать записи журнала и, следовательно, использовать эти метаданные для поиска, категоризации и аналитики. с течением времени (по аналогии с тем, сколько продуктов для осознанности в настоящее время включают ручное отслеживание настроения).
Прототип классификации Zero-Shot
По сравнению с моделью анализа настроений, обученной различать предварительно определенный набор настроений, языковая модель преобразователя с возможностями обучения с нулевым выстрелом дает нам гораздо больше свободы проектирования.
Мы можем извлечь выгоду из понимания семантического языка модели там, где речь идет о самих категориях, что позволяет нам модифицировать их на лету во время вывода.
Благодаря этому мы можем использовать одну и ту же предварительно обученную модель в различных контекстах с разными настройками и даже использовать пользовательский ввод или метаданные для информирования об этих настройках.
Кроме того, это позволяет очень быстро экспериментировать и точно настраивать работу модели в соответствии с разработанными нами функциями продукта.
Выполнение
Мы используем высокоуровневый Pipeline API Hugging Face для запроса модели и Streamlit для быстрого создания тестируемого веб-приложения:
И разверните его с помощью локального туннеля:
Этот способ хостинга по запросу в экземпляре Google Colab позволяет нам удобно экспериментировать с моделью и приложением с минимальной необходимой настройкой!
Вы можете просмотреть код и создать прототип прямо в браузере! Перейти к этой записной книжке Jupyter 📔 !
Что дальше?
Несмотря на такие препятствия, как проблемы с конфиденциальностью или несовместимость с физической формой, практика ведения дневника, похоже, готова извлечь выгоду из современных возможностей обработки естественного языка (NLP).
Такие стартапы, как Morningpages или Reflectly, кажется, согласны и проделывают удивительную работу по внедрению инноваций в этой области, но что-то подсказывает мне, что еще многое предстоит открыть.🤔
Что вы думаете? Что может предложить будущий опыт ведения журналов?
Дай мне знать. И спасибо, что зашли так далеко! 👏
Я в восторге от того, как мы можем использовать машинное обучение для решения проблем, которые мы не смогли бы решить другими средствами. 💭⚙️
Ознакомьтесь с разделом Deepinnovation, чтобы узнать больше о пересечении дизайна, инноваций и новых вариантов использования глубокого обучения!
