🇹🇭 ThaiHE-NER-Beta

📖 ข้อมูลโมเดล (Model Description)

ThaiHE-NER-Beta เป็นโมเดลสำหรับงานสกัดชื่อเฉพาะ (Named Entity Recognition: NER) ภาษาไทย โมเดลนี้ถูกพัฒนาและปรับใช้ (Fine-tuned) บนสถาปัตยกรรมแบบ CamemBERT โดยมุ่งเน้นไปที่การดึงข้อมูลและระบุหมวดหมู่คำประเภทต่าง ๆ [ระบุเพิ่มเติม เช่น: ในโดเมนสุขภาพ (Health), การศึกษา (Higher Education) หรือ โดเมนทั่วไป]

• ผู้พัฒนา (Developed by): [Nucha]
• ภาษา (Language): Thai (ไทย)
• ประเภทงาน (Task): Token Classification / Named Entity Recognition (NER)
• สถาปัตยกรรม (Architecture): CamemBERT (0.1B parameters)

🎯 เอนทิตีที่รองรับ (Supported Entities)

โมเดลนี้สามารถแยกแยะหมวดหมู่คำ (Tags) ได้ดังนี้:

• [TAG_1]: [คำอธิบาย เช่น ชื่อบุคคล]
• [TAG_2]: [คำอธิบาย เช่น ชื่อองค์กร]
• [TAG_3]: [คำอธิบาย เช่น สถานที่] (แก้ไขและเพิ่มลิสต์ Tag ตามที่โมเดลคุณเทรนมาได้เลยครับ)

---

🎮 วิธีการทดสอบโมเดล (How to Test)

คุณสามารถทดลองใช้งานโมเดลนี้ได้ทันทีผ่าน Web UI โดยไม่ต้องเขียนโค้ด ผ่านทาง Hugging Face Spaces: 👉 ทดลองเล่น Demo ได้ที่นี่: Nucha/ThaiHE-NER-Demo

วิธีทดสอบใน Demo:

1. พิมพ์ข้อความภาษาไทยที่ต้องการทดสอบลงในช่องกรอกข้อความ
2. กดปุ่ม Submit / Run
3. ระบบจะแสดงผลลัพธ์การไฮไลท์คำที่ถูกจัดหมวดหมู่ตามเอนทิตีต่างๆ ให้เห็นภาพได้ทันที

---

💻 วิธีการนำไปใช้งาน (How to Use)

คุณสามารถโหลดโมเดลนี้ไปใช้งานใน Python ได้อย่างง่ายดายผ่านไลบรารี transformers

การติดตั้ง (Installation)

pip install transformers torch

โค้ดตัวอย่าง (Example Code)
Python
from transformers import pipeline, AutoTokenizer, AutoModelForTokenClassification

# โหลด Model และ Tokenizer
model_name = "Nucha/ThaiHE-NER-Beta"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForTokenClassification.from_pretrained(model_name)

# สร้าง Pipeline สำหรับ NER
ner_pipeline = pipeline("ner", model=model, tokenizer=tokenizer, aggregation_strategy="simple")

# ทดสอบข้อความ
text = "ทดสอบพิมพ์ข้อความภาษาไทยของคุณที่นี่ เพื่อดูว่าโมเดลจับคำว่าอะไรได้บ้าง"
results = ner_pipeline(text)

# แสดงผลลัพธ์
for entity in results:
    print(f"คำ: {entity['word']} | หมวดหมู่: {entity['entity_group']} | ความมั่นใจ: {entity['score']:.4f}")