ianzeraA/NorBERTo-Ar-condicionado

LSEJointModel - Deteccao de comandos de ar-condicionado

Encoder NorBERTo-base com fine-tuning, usando 2 heads de token classification (BIO tagging) treinadas juntas: uma para segmentar acoes (ligar_ar, desligar_ar, ajustar_temp, saudacao, despedida) e outra para segmentar slots (sala, temperatura).

Como usar

Este repositorio inclui codigo customizado (trust_remote_code=True) - nao precisa clonar nenhum outro repositorio separado.

from transformers import AutoModel, AutoTokenizer

REPO_ID = "ianzeraA/NorBERTo-Ar-condicionado"

model = AutoModel.from_pretrained(REPO_ID, trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained(REPO_ID)

comandos = model.detectar_comandos(tokenizer, "ligue o ar da sala B15 e desligue o ar da F09")
print(comandos)
# [{'comando': 'ligar_ar', 'slots': {'sala': 'B15'}},
#  {'comando': 'desligar_ar', 'slots': {'sala': 'F09'}}]

Parametros opcionais de detectar_comandos:

• limiar_confianca (float, padrao 0.0): descarta deteccoes com confianca media abaixo desse valor
• esquema_slots (dict, opcional): padroniza as chaves de slot por comando (ver config.py do projeto original, ESQUEMA_SLOTS_POR_COMANDO)

Treino

• Encoder base: Itau-Unibanco/NorBERTo-large
• Tecnica: fine-tuning conjunto (multi-task learning) com 2 heads de BIO tagging, inspirado no principio de subtarefas compartilhadas do LSE-NLU (Wang et al., 2025), implementado com o esquema classico de BIO tagging
• Dataset: sintetico, gerado programaticamente