Update gradio GUI

app.py

@@ -19,9 +19,10 @@ model = PeftModel.from_pretrained(model, peft_model_id)
 model.eval()
 
 
-def gen_entities(in_text):
+def gen_entities(text):
     """Does Named Entity Recognition in the given text."""
-    text = f"<SP> text: {in_text}\n\n entities:"
+
+    text = f"<SP> text: {text}\n\n entities:"
     batch = tokenizer(text, return_tensors="pt")
     batch["input_ids"] = batch["input_ids"].to("cuda")
     with torch.cuda.amp.autocast():
@@ -35,6 +36,7 @@ def gen_entities(in_text):
 
 
 iface = gr.Interface(
+    live=True,
     fn=gen_entities,
     inputs="text",
     outputs="text",
@@ -42,9 +44,47 @@ iface = gr.Interface(
     description="Introduce un texto corto para que el modelo identifique las identidades presentes en el mismo.",
     theme="gradio/monochrome",
     examples=[
-        [
-            "Yo hoy voy a hablar de mujeres en el mundo del arte, porque me ha leído un libro fantástico que se llama Historia del arte sin hombres, de Katie Hesel."
-        ]
+        "Yo hoy voy a hablar de mujeres en el mundo del arte, porque me ha "
+        "leído un libro fantástico que se llama Historia del arte sin hombres, "
+        "de Katie Hesel.",
+        "Victoria del Reino Unido (Alxandrina Victoria; Londres, 24 de mayo "
+        "de 1819-isla de Wight, 22 de enero de 1901) fue la reina del Reino Unido.",
+        "El viaje de Chihiro es una película de animación japonesa estrenada "
+        " el 20 de julio de 2001. Fue dirigida por Hayao Miyazaki y producida en el Studio Ghibli",
     ],
+    article="""
+## Motivación
+Los podcasts son una increíble fuente de información e inspiración. Los escuchamos de camino al trabajo, mientras practicamos deportes o cocinando nuestra receta favorita. No obstante, puede ser complicado retener ciertos hechos específicos, fechas o personajes que mencionan en ellos. El objetivo de este proyecto ha sido explorar cómo podemos capturar toda esta información usando ‘named-entity recognition’.
+
+
+En vez de usar un modelo de lenguaje fine-tuned con una head específica para NER, hemos replanteado el problema como una tarea de generación de texto a partir de un prompt del tipo:
+```
+text: Yo hoy voy a hablar de mujeres en el mundo del arte, porque he leído un libro fantástico que se llama Historia del arte sin hombres, de Katie Hesel. entities: (people, Katie Hesel), (books, Historia del arte sin hombres)
+```
+Al hacer fine-tuning a un LLM con este prompt, hemos podido capturar las entidades mencionadas en el podcast. Hicimos fine-tuning al modelo [bertin-gpt-j-6B](https://huggingface.co/bertin-project/bertin-gpt-j-6B) siguiendo esta estrategia.
+
+
+## Model
+
+
+Este modelo es una vesion fine-tuned para la tarea de named-entity recognition del LLM fundacional en español [bertin-project/bertin-gpt-j-6B](https://huggingface.co/bertin-project/bertin-gpt-j-6B) checkpoint.  Este modelo fue desarrollado durante la Hackathon de 2023 organizada por SomosNLP con las GPUs RTX 3090 provisionadas por Q Blocks.
+
+
+Link del modelo: [hackathon-somos-nlp-2023/bertin-gpt-j-6b-ner-es](https://huggingface.co/hackathon-somos-nlp-2023/bertin-gpt-j-6b-ner-es)
+
+
+## Dataset
+
+
+[hackathon-somos-nlp-2023/podcasts-ner-es](https://huggingface.co/datasets/hackathon-somos-nlp-2023/podcasts-ner-es)
+
+
+## Team members
+
+
+[David Mora](https://huggingface.co/DavidFM43)
+[Sergio Perez](https://huggingface.co/sergiopperez)
+[Albeto Fernandez](https://huggingface.co/AlbertoFH98)
+""",
 )
 iface.launch()