titibongbong_camemBERT_NER

CamemBERT-NER Distilled + Pruned + FP16

Modèle optimisé pour la reconnaissance d'entités nommées (NER) dans les rapports sociaux français

📋 Description

Ce modèle est une version optimisée triple de CamemBERT pour la reconnaissance d'entités nommées (NER) dans le domaine du travail social français. Il combine :

1. Distillation : 11 couches (vs 12 du teacher) = -8.3% paramètres
2. Pruning non-structurel : 20% magnitude-based = 15.14% sparsity effective
3. Quantization FP16 : Half-precision = -50% taille mémoire

🎯 Objectifs

• Taille réduite : 196 MB (vs 210 MB baseline, vs 420 MB FP32 original)
• Vitesse accrue : ~15-20% plus rapide (distillation + FP16)
• Performance maintenue : F1 85.9% (seuil acceptable >85%)
• Mémoire optimisée : -50% RAM avec FP16

📊 Résultats d'évaluation

Test set : 447 entités gold standard

✅ Trade-off accepté : -1.3% F1 pour -6.7% taille + ~15-20% vitesse

🏷️ Catégories d'entités détectées

Le modèle de base détecte 4 catégories principales :

• PER (Person) : Personnes, noms, prénoms
• LOC (Location) : Lieux, villes, pays, régions
• ORG (Organization) : Organisations, entreprises, institutions
• MISC (Miscellaneous) : Entités diverses (dates, événements, etc.)

Note : Ce modèle est le composant NER de base du pipeline LaPlume. Les catégories fines (39 types spécialisés comme ETAB_MECS, ID_RSA, LOC_CITY, etc.) sont ajoutées par les post-traitements du pipeline complet (règles regex, gazetteers, reclassification).

🎯 Cas d'usage

Ce modèle est optimisé pour :

• Rapports sociaux : évaluations, suivis, comptes-rendus
• Documents médico-sociaux : dossiers patients, orientations
• Anonymisation : détection d'entités pour pseudonymisation
• Environnements contraints : serveurs avec RAM limitée, déploiement edge
• ETAB_MAS, ETAB_FAM, ETAB_ESAT, ETAB_SAVS, ETAB_SAMSAH : Handicap adulte
• ETAB_CHRS : Hébergement d'urgence
• ETAB_CMS : Centres médico-sociaux
• ETAB_SCOLAIRE : Établissements scolaires
• etc. (voir documentation complète)

🔧 Architecture technique

Modèle de base

• Base : CamemBERT (RoBERTa français)
• Vocabulary : 32,000 tokens (SentencePiece BPE)
• Hidden size : 768
• Attention heads : 12
• Layers : 11 (distilled from 12-layer teacher)

Optimisations appliquées

1. Knowledge Distillation (11 layers)

Teacher: camembert-ner (12 layers, F1 87.3%)
Student: 11 layers, distilled with temperature=2.0
Loss: α * CE_loss + (1-α) * KD_loss
Result: F1 81.25% on training → 85.9% final

2. Magnitude-based Pruning (20%)

Target: 20% sparsity (magnitude-based)
Effective: 15.14% (15.6M params zeroed / 102.9M total)
Method: Iterative pruning during distillation

3. FP16 Quantization

Conversion: torch.float32 → torch.float16
Size reduction: 392.71 MB → 196.36 MB (-50.0%)
Quality impact: Minimal (<0.1% F1 degradation)

📦 Spécifications

• Paramètres totaux : 102,947,333
• Paramètres non-zéro : 87,350,000 (~85%)
• Taille mémoire : 196.36 MB (FP16)
• Temps d'inférence : ~15-20% plus rapide que baseline
• Compatibilité : Transformers ≥ 4.30.0, PyTorch ≥ 2.0.0

🚀 Usage

Dataset d'entraînement

Le modèle student distillé a été entraîné sur 50 000 phrases provenant de trois sources complémentaires :

1. Contexte médico-social français :
   • Rapports sociaux fictifs mais réalistes (générés pour l'entraînement)
   • Rapports publics sur l'organisation médico-sociale et bonnes pratiques
2. Narratif littéraire : Grands romans français du XXe siècle (dialogues, descriptions de personnages)
3. Articles Wikipedia français : Contenu encyclopédique général

Cette diversité de sources permet une bonne généralisation tout en conservant une spécialisation pour le domaine médico-social, sans utiliser de données confidentielles réelles.

Installation

pip install transformers torch

Chargement du modèle

from transformers import AutoTokenizer, AutoModelForTokenClassification
import torch

# Charger le modèle et le tokenizer
model_name = "jmdanto/titibongbong_camemBERT_NER"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForTokenClassification.from_pretrained(
    model_name,
    torch_dtype=torch.float16  # Force FP16 pour bénéficier des optimisations
)

# Exemple d'inférence
text = "Marie Dupont habite à Paris et travaille à l'Hôpital Sainte-Anne."
inputs = tokenizer(text, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)
    predictions = torch.argmax(outputs.logits, dim=-1)

# Décoder les prédictions
tokens = tokenizer.convert_ids_to_tokens(inputs["input_ids"][0])
labels = [model.config.id2label[p.item()] for p in predictions[0]]

for token, label in zip(tokens, labels):
    if label != "O":
        print(f"{token}: {label}")

# Résultat attendu :
# Marie: B-PER
# Dupont: I-PER
# Paris: B-LOC
# Hôpital: B-ORG
# Sainte: I-ORG
# -: I-ORG
# Anne: I-ORG

Pipeline complet avec post-traitement

from transformers import pipeline

# Créer le pipeline NER
ner_pipeline = pipeline(
    "ner",
    model=model_name,
    tokenizer=model_name,
    aggregation_strategy="simple",  # Fusionne les sous-tokens
    device=0 if torch.cuda.is_available() else -1
)

# Analyser un texte
text = """
Rapport social concernant M. Bernard Martin, 
domicilié au 23 rue de la Paix, 69000 Lyon.
Suivi par le Centre Médico-Social de Lyon-Confluence.
"""

entities = ner_pipeline(text)

for entity in entities:
    print(f"{entity['entity_group']}: {entity['word']} (score: {entity['score']:.2f})")

# Résultat attendu :
# PER: Bernard Martin (score: 0.99)
# LOC: rue de la Paix (score: 0.95)
# LOC: Lyon (score: 0.98)
# ORG: Centre Médico-Social de Lyon-Confluence (score: 0.92)

📈 Benchmarks

Comparaison des modèles

Trade-offs :

• ✅ Taille : -6.7% vs baseline, meilleure efficacité
• ✅ Vitesse : ~15-20% plus rapide (distillation + FP16)
• ⚠️ Qualité : -1.3% F1 (acceptable, >85% seuil requis)

Performance par criticité

✅ Points forts :

• Excellente détection des données critiques
• Précision élevée sur les personnes
• Bon équilibre précision/rappel global

🎓 Entraînement

Dataset

• Domaine : Rapports sociaux français (ASE, RSA, handicap, hébergement)
• Taille : 10 fichiers d'entraînement annotés manuellement
• Annotations : Format IOB2 avec 39 catégories d'entités
• Augmentation : Gazetteers spécialisés (FINESS, prénoms, associations)

Hyperparamètres

# Distillation
teacher: camembert-ner-12layers-fp16
student_layers: 11
temperature: 2.0
alpha: 0.5

# Pruning
method: magnitude_based
target_sparsity: 0.20
effective_sparsity: 0.1514

# Training
learning_rate: 2e-5
batch_size: 16
epochs: 10
optimizer: AdamW
warmup_ratio: 0.1

# Quantization
dtype: float16
method: torch.half()

⚠️ Limitations

1. Domaine spécialisé : Optimisé pour les rapports sociaux français, performances moindres sur d'autres domaines
2. Trade-off qualité : -1.3% F1 vs baseline pour gain taille/vitesse
3. Faux positifs : +11 FP vs baseline (64 vs 53), vérification recommandée
4. Entités rares : Performance réduite sur catégories peu fréquentes (LOC, DATE)
5. Hardware : FP16 nécessite GPU compatible (Pascal+) ou CPU moderne

📄 Licence

Apache 2.0

🤝 Citation

@model{camembert-ner-distilled-pruned-fp16,
  title={CamemBERT-NER Distilled + Pruned + FP16},
  author={Danto, Patrick},
  year={2024},
  publisher={HuggingFace},
  url={https://huggingface.co/jmdanto/titibongbong_camemBERT_NER}
}

@model{camembert-ner-teacher,
  title={CamemBERT-NER: Fine-tuned CamemBERT for NER task},
  author={Pollé, Jean-Baptiste},
  year={2020},
  publisher={HuggingFace},
  url={https://huggingface.co/Jean-Baptiste/camembert-ner}
}

📞 Contact

• Email : [email protected]

🔄 Versions

• v1.0 (Nov 2024) : Version initiale distillée + prunée + FP16
  • 11 layers, 20% pruning, FP16 quantization
  • F1: 85.9%, Size: 196 MB
  • Évalué sur 447 entités gold standard

---

Note : Ce modèle fait partie du projet La Plume, un pipeline de pseudonymisation pour documents médico-sociaux français. Le pipeline complet est un projet privé protégé au titre de la propriété intellectuelle, mais ce modèle est publié sous licence MIT.