伴随着产业智能化升级的浪潮,企业对灵活可定制的智能NLP系统有着广泛需求。例如,保险公司希望通过智能客服平台向客户提供24小时问答服务,同时也想建设企业内搜平台向员工提供精准、高效的搜索服务。然而众多企业自建这些复杂系统所耗费的人力成本和时间成本巨大,成为产业智能化升级的 “拦路虎”。
为了解决上述难题,PaddleNLP推出NLP流水线系统——PaddleNLP Pipelines,将各个NLP复杂系统的通用模块抽象封装为标准组件,支持开发者通过配置文件对标准组件进行组合,仅需几分钟即可定制化构建智能系统,让解决NLP任务像搭积木一样便捷、灵活、高效。同时,Pipelines中预置了前沿的预训练模型和算法,在研发效率、模型效果和性能方面提供多重保障。
本文将对Pipelines三大特色进行解读,全文约2千字,预计阅读时长1分半。
插拔式组件设计
灵活可扩展
企业的NLP系统需求多种多样,例如智能客服、智能检索、文档信息抽取、商品评论观点分析等,虽然这些系统的外在形态千差万别,但是从技术基础设施角度看:
NLP系统都可以抽象为由多个基础组件串接而成的流水线系统
多个NLP流水线系统可共享使用相同的基础组件
如上图,举例来说:
(1)语义检索系统可以抽象为文档解析、语义向量抽取、向量存储、召回、排序5个基础组件
(2)在此基础上,只需串接1个答案定位模型组件即可构成阅读理解式问答系统
(3)更进一步,在问答流水线的起点和终点分别加入ASR(语音转换文本)和TTS(文本转换语音)2个模型组件即可构成智能语音客服系统
由以上示例可以看出,面向各种场景的NLP系统本质上都是由一些可复用的基础组件串接而成的流水线系统。基于此,Pipelines提出通过丰富、强大的基础组件灵活、快速地构建NLP全场景智能系统,主要包括以下四类重要组件。
**Pipelines除深度兼容PaddleNLP中的模型外,还可兼容飞桨生态下任意模型、AI开放平台算子、其它开源项目如Elasticsearch等作为基础组件。**用户可通过对基础组件进行扩展来满足个性化需求,从而实现任意复杂系统的灵活定制开发。
戳官方地址,查看详情:
https://github.com/PaddlePaddle/PaddleNLP/tree/develop/pipelines
飞桨SOTA模型
支持快速串联
Pipelines中集成PaddleNLP中丰富的预训练模型和领先技术,例如文心ERNIE 3.0轻量级模型,刷新中文小模型的SOTA成绩。
图3:ERNIE3.0轻量级模型效果SOTA
除小模型外,Pipelines中也可直接使用PaddleNLP近期开源的24层模型ERNIE 1.0-Large-zh-CW,效果优于同等规模的RoBERTa-wwm-ext-large。
表1:ERNIE 1.0-Large-zh-CW和ERNIE 3.0-Xbase-zh效果领先
除多任务通用的预训练模型外,Pipelines中还集成了面向特定任务的模型,如通用信息抽取技术UIE,其多任务统一建模特性大幅降低了模型开发成本和部署的机器成本,基于Prompt的零样本抽取和少样本迁移能力更是惊艳!例如,在金融领域的事件抽取任务上,仅仅标注5条样本,F1值就提升了25个点!
表2:UIE在信息抽取数据集上零样本和小样本效果(F1-score)
面向检索、问答等任务,Pipelines预置了领先的召回模型和排序模型,依托国际领先的端到端问答技术RocketQA和首个人工标注的百万级问答数据集DuReader。
图4:RocketQA问答技术领先
这些强大的NLP模型可以直接使用Pipelines的模型Node来调用,例如,使用下面的方式就可以使用效果突出的RocketQA语义召回技术,是不是十分简单粗暴!
retriever = DensePassageRetriever(
document_store=document_store,
query_embedding_model=“rocketqa-zh-dureader-query-encoder”,
passage_embedding_model=“rocketqa-zh-dureader-query-encoder”,
max_seq_len_query=args.max_seq_len_query,
max_seq_len_passage=args.max_seq_len_passage,
batch_size=args.retriever_batch_size,
use_gpu=use_gpu,
embed_title=False
)
**一键部署端到端系统
超低门槛**
为了进一步降低开发门槛,提供最优效果,Pipelines针对高频场景内置了产业级端到端系统。目前已开源语义检索、MRC(阅读理解)问答、FAQ问答3大系统,未来会持续丰富语音问答、多模态信息抽取、舆情分析、文本分类等各类场景。
接下来,一起看看Pipelines内置的端到端系统有多强!下面以检索系统展开。
****端到端全流程***
Pipelines内置的语义检索系统包括文档解析(支持PDF、WORD、图片等解析)、海量文档建库、模型组网训练、服务化部署、前端Demo界面(便于效果分析)等全流程功能。
![图片](https://img-blog.csdnimg.cn/img_convert/edb143a5f25262700d636b77903e1892.png)
图5:检索系统流水线示意图
![图片](https://img-blog.csdnimg.cn/img_convert/059a8567189f901b1c843a6b70544eaf.gif)图6:检索系统前端Demo
**效果领先速度快**
该检索系统基于端到端问答技术RocketQA,该模型结合知识增强的预训练模型ERNIE 3.0和百万量级的人工标注数据集 DuReader训练得到,效果优异。该模型可以在Pipelines一键调用,大大降低问答系统模型建模成本。
![图片](https://img-blog.csdnimg.cn/img_convert/6d1137a7d0465655b5a210114fe19d05.png)
表3:Pipelines检索系统精度(数据集:DuReader\_retrieval )
性能方面,Pipelines直接集成**Elasticsearch、Milvus**等高性能ANN(近似最近邻)引擎,支持海量文本高效建库和相似查询。**采用ERNIE 3.0轻量化模型**,**提升语义向量抽取速度**,**单个Query在CPU上的检索速度从2.2s缩减到了0.4s**,内存占比进一步降低,适用于低资源环境。
**低门槛一键部署**
用户可以基于Docker采用如下命令默认一键部署端到端语义检索系统。
docker-compose -f docker-compose-gpu.yml up -d
在Pipelines功能建设期间,已经有多位开发者跟进到该项工作。来自建筑工程设计领域的电气工程师尹昊使用Pipelines,**仅用****1周时间**就开发上线了建筑设计规范检索系统,支持网页端、小程序端、还以插件形式将检索系统内嵌到CAD制图软件中,满足设计师多场景下的检索需求,投入使用后倍受好评。
![图片](https://img-blog.csdnimg.cn/img_convert/52ff0577fbd75c942c8f6769ae93c564.gif)
图7:开发者作品 基于Pipelines的建筑设计规范检索系统——寻规
(https://xungui365.com/)
**Pipelines下一步将向以下两个方向扩展**:
****预置更丰富的基础组件库****
* 支持跨模态通用文档预训练模型ERNIE-Layout的调用,支持图片、文档的解析;
* 支持飞桨语音模型库PaddleSpeech的PP-TTS和PP-ASR各类语音模型串联;
* 支持PaddleNLP通用信息抽取UIE、文本分类等NLP组件直接调用。
****预置更多流水线系统****
* 多模态信息抽取系统;
* 跨模态智能文档问答系统;
* 智能语音指令系统系统。
欢迎来自学术界和工业界的朋友加入PaddleNLP Pipelines开源项目,扩展新的组件,或者定制自己的NLP流水线系统。欢迎各位提需,加入社区讨论。
STAR收藏,及时跟踪最新发布:
https://github.com/PaddlePaddle/PaddleNLP
**线上私享会**
为了充分和开发者交流产品使用中遇到的难题,共同进步,PaddleNLP核心开发成员将和大家线上交流,针对性讨论大家遇到的问题和需求。欢迎各位扫码进群,获取线上会议链接!限定200席,报满为止。报名还可获得:
* PaddleNLP Piplines直播课链接
* PaddleNLP团队整理的10G重磅NLP学习大礼包
****PaddleNLP项目地址****
* GitHub:
https://github.com/PaddlePaddle/PaddleNLP
* Gitee:
https://gitee.com/paddlepaddle/PaddleNLP
关注【飞桨PaddlePaddle】公众号
获取更多技术内容~