Решение True Tech hack fintech команды Динозаврики МИСИС

Архитектура решения:

основная логика содержится в Application которое собой представляет приложение на Go. Оно связано с сервисами на python с использованием кастомного load balancer который позволяет легко масштабировать решение путем развертывания дополнительных контейнеров. Сервисы на python не содержат в себе никакого состояния все содержится в application. Из особенностей можно отметить использование clickhouse как векторное хранилище для документов и информации из faq (https://support.mts.ru).

документация для сервиса доступна по ссылке: https://api.larek.tech/swagger/index.html

Скриншоты приложения

Главная страница

страница с ассистентом

заполнения формы

демо версия доступна по ссылке: https://mts.larek.tech

Запуск приложения

1. скачивание моделей и расположение в папке domain-detection

2. установка параметров запуска в config.yaml и docker-compose.yaml

3. запуск приложения через docker compose / docker swarm

docker compose -f docker/docker-compose.yaml up -d --build

Модель классификации навыков (Skill Classifier)

Назначение

Модель предназначена для точного определения намерений пользователя.

Детали модели

• Тип модели: ruRoberta-large
• Обучающий набор данных: Наш специализированный набор данных для классификации намерений пользователя.
• Классифицируемые классы: Модель классифицирует следующие намерения:
  • 0: ood (не относится к задаче)
  • 1: check_balance (проверка баланса)
  • 2: sbp
  • 3: card2card
  • 4: self
  • 5: abroad (зарубежные переводы)
  • 6: freepayment
  • 7: kvartplata, jkh (коммунальные платежи)
  • 8: mobile_phone (мобильная связь)
  • 9: transport
  • 10: ishop (интернет-магазины)

Метрики

• Точность на тестовой выборке: f1-score = 0.98

Примеры использования

• Текст: 'Пожалуйста оплати мне квартплату за месяц' Вывод: 'kvartplata, jkh'
• Текст: 'хочу кинуть деньги по номеру телефону через сбп' Вывод: 'sbp'
• Текст: 'сколько денег у меня щас на балансе карты' Вывод: 'check_balance'
• Текст: 'переведи деньги в бангладеш на карту 5469380012345678' Вывод: 'abroad'

Как использовать

• Ссылка на скачивание: Skill Classifier Model
• Код для инференса:

  import json
  import os
  import requests
  from transformers import AutoModelForSequenceClassification, TextClassificationPipeline, AutoTokenizer
  import warnings
  import torch
  
  warnings.filterwarnings("ignore")
  
  device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
  print(device)
  
  class SkillClassifier:
      def __init__(self, base_path):
          self.path = base_path
          self.classifier = TextClassificationPipeline(model=self.load_model(), tokenizer=self.load_tokenizer())
  
      def load_model(self):
          return AutoModelForSequenceClassification.from_pretrained(self.path)
  
      def load_tokenizer(self):
          return AutoTokenizer.from_pretrained("ai-forever/ruRoberta-large")
  
      def get_response(self, text: str) -> str:
          label = self.classifier(text)[0]['label']
          return label
  
  classifier = SkillClassifier('path to directory')
  print(classifier.get_response('your text here'))
  
  

• dependencies: transformers, torch

Модель распознавания именованных сущностей (Named Entity Recognition)

Назначение

Модель необходима для определения именованных сущностей, поступающих на вход.

Детали модели

• Тип модели: LaBSE-en-ru
• Обучающий набор данных: Наш специализированный набор данных для распознавания сущностей.
• Классифицируемые классы: Модель определяет следующие сущности:
  • "Payment Period"
  • "Payment Amount"
  • "Card Number"
  • "Expiration Date"
  • "CVC"
  • "Phone Number"
  • "Recipient's Account Number"
  • "Recipient's Bank BIC"
  • "Recipient's Tax Identification Number"
  • "Recipient's Company Name"
  • "Recipient's KPP"
  • "Payment Purpose"
  • "Sender's Full Name"
  • "Payment Month"
  • "Payment Year"
  • "Payer's Patronymic"
  • "Series and Number of Passport"
  • "Registration Address"

Метрики

• Точность на тестовой выборке: f1-score(macro) = 0.93

Примеры использования

• Текст: 'кинь 500 рублей на счет 5469380043501234' Вывод: [{'entity_group': 'Recipient's Account Number', 'word': '5469380043501234'}, {'entity_group': 'Payment Amount', 'word': '500 рублей'}]

Как использовать

• Ссылка на скачивание: NER Model
• Код для инференса:

  from transformers import pipeline
  classifier = pipeline("ner", model='path to directory', aggregation_strategy="max")
  
  classfier(text)
  
  

• dependencies: transformers, torch