Inteligência ArtificialInicianteNão iniciado

Detector de Sentimento com Hugging Face

Usar modelos pré-treinados do Hugging Face para classificar sentimento em textos.

em 1 a 2 semanas
6 a 12 h
em 1 a 2 semanas
o que você entrega
Notebook
o que você entrega
com checkpoint
5 etapas
com checkpoint
de aceite
8 requisitos
de aceite
0 de 5 etapas

Por que este projeto

Uma loja recebe duas mil avaliações por mês e ninguém consegue ler tudo. Um modelo de sentimento diz em segundos quantas são positivas, quantas são negativas e onde está a reclamação. Você não vai treinar nada: vai usar um modelo pronto do Hugging Face, entender o que ele devolve, medir onde ele erra em português e colocar numa interface simples. É o projeto de entrada em IA aplicada.

Você vai sair sabendo

Usar um modelo pré-treinado com a biblioteca transformersLer label e score de um pipeline de NLPMedir acertos com exemplos em portuguêsMontar uma interface com StreamlitPublicar e documentar um app de IA com suas limitações

O que precisa estar lá no fim

É o contrato do projeto. Quando os 8 estiverem verdade, você terminou.

  • Notebook ou script carrega um pipeline de análise de sentimento do Hugging Face com um modelo em português ou multilíngue, nomeado
  • Uma função que recebe um texto e devolve o rótulo e o score
  • Teste com pelo menos vinte frases (dez positivas, dez negativas) e uma tabela com o percentual de acerto
  • Seção onde erra, com três exemplos de erro e uma hipótese para cada (ironia, gíria, negação)
  • App Streamlit com caixa de texto e resultado
  • App publicado no Streamlit Community Cloud, ou notebook público no Colab ou Kaggle se o app não for publicado
  • README com o modelo usado, o link, um print e as limitações
  • requirements.txt com transformers, torch e streamlit

Etapas

  1. Ambiente e modelo

    1 a 2 h
    • No Colab, instale transformers e carregue um pipeline de sentiment-analysis com um modelo em português ou multilíngue.
    • Passe três frases e olhe o que volta.

    Pronto quando: O pipeline responde com label e score.

  2. Função e primeiros testes

    1 h
    • Embrulhe numa função que recebe texto e devolve rótulo e score.
    • Teste frases com ironia e gíria de propósito.

    Pronto quando: A função funciona e você já viu ela errar pelo menos uma vez.

  3. Medir

    1 a 2 h
    • Escreva vinte frases que você tem certeza do sentimento.
    • Rode todas, monte a tabela, calcule o percentual, separe os erros.

    Pronto quando: Tabela com vinte linhas e a seção onde erra com três exemplos.

  4. Interface

    1 a 2 h
    • app.py com st.text_area, botão e o resultado com o score.

    Pronto quando: streamlit run app.py abre e classifica o que você digita.

  5. Publicar e documentar

    1 h
    • requirements.txt. Suba para o GitHub. Publique no Streamlit Community Cloud.
    • README com modelo, link, print e limitações.

    Pronto quando: O link abre numa aba anônima e classifica uma frase.

Entrega

Terminou? Marque a conclusão e o projeto vira parte do seu perfil.

Depois

Post pronto para o LinkedIn

Coloquei um modelo de IA para ler sentimento em português. Detector de sentimento com um modelo pronto do Hugging Face e uma interface em Streamlit. Testei com 20 frases e medi: [N]% de acerto. Onde ele erra: ironia, negação e gíria. O que aprendi: • Usar modelo pré-treinado com a biblioteca transformers • Ler rótulo e score, e desconfiar deles • Publicar um app de IA e documentar as limitações A frase que mais enganou o modelo foi [conta aqui]. App e repositório nos comentários. #ia #nlp #huggingface #python #boranatech

Chatbot com LangChain