Ребят, а как посоветуете решить задачу изменения пола в реплике юзера: есть текст, в нем юзер пишет "Я вышла погулять, а там мне девочка сказала идти нафик" - нужно "вышла" превратить в "вышел", но при этом не тронуть другие факты.
Понятно, что тут pymorphy2 превращает, но часто нужно и другие слова изменить их словоформу и вот тогда нужно строить дерево предложения, есть ли готовые или простые варианты решения задачи?

это из области компьютерного зрения object detection.

делал подобное на yolo, самый длительный этап -  разметка

Кажется, с этим в чат не по NLP нужно:) В опенсорсе вряд ли есть, но сейчас быстро за кофе нагуглила всякие решения, где идёт поиск по окружностям, цвету и т.д. почти без разметки.

https://m.habr.com/ru/company/directum/blog/486476/

старая статья с конференции ИППИ с похожим подходом — http://itas2012.iitp.ru/pdf/1569605143.pdf

По ключевым словам "seal detection/recognition" находятся более современные подходы, если есть, кому разметить печати.

Спасибо всем большое! :)

Отмечу, что разметка печатей выглядит достаточно простой, а значит не дорогой. А наличие разметки сразу расширяет количество доступных подходов и даже в случае реализации без ML, можно оценить качество и подобрать оптимальные параметры.

Подводные камни - собрать выборку для разметки и анонимизировать, если необходимо. И кстати, здесь простор для синтетики и аугментации.

Мы такое сделали- детекция, классификация по типу, извлечение данных. И без ограничений типа статей выше. В целом вышло хорошо. Поиск и классификация за 95, извлечение чуть ниже, но там и сложнее. Сорри за офтоп.

Всем привет, подскажите, пожалуйста, есть ли решение для разрешения лексической многозначности (WSD) на русском, что б работало из коробки. Насколько я понимаю нужно хотя бы обозначить модели варианты значений, т.е. препроцессить.

https://sbercloud.ru/ru/warp/gpt-3 — тут официальная демка модели ruGPT-3 (760M). Также в клауде можно подключиться к ruGPT-3 (1,3B). В начале следующего года будет там же ruGPT-3 (13B).

Сергей, жжёте! Спасибо вам огромное! А расскажите, сколько оно учится. Версия на 13G будет два месяца учиться как раз?

Не за что) Мы сейчас используем меньше половины «Кристофари» (512 карточек, вроде), но, вроде, по прикидкам с такими темпами к НГ примерно должна доучиться.

Потом надеюсь и на 175B уломать. Но посмотрим.

13B во вторник начала учиться.

Или в прошлый вторник?.. Ох, уже смешались дни и ночи. В прошлый вторник всё-таки.

будет ли доступна модель на 1,3 млрд параметров вне ML Space в дальнейшем?

Посмотрим. Может быть в будущем по мере релиза на ML Space моделей побольше.

Версия на 13G уже должна быть показательной. 760M слабенькая, как все отмечают. Теперь пытаются другими моделями её поведение откорректировать, но это ведь почти невозможно...
И ещё про API хотелось спросить, какие именно там методы сэмплинга у вас есть. Random, Top-1 , random-top-k ? Или можно полностью самому брать все вероятности?

В демке nucleus sampling обычный. Но можете использовать любой другой удобный, тот же beam search, псевдо-Гиббс какой-нибудь, тут вы только собственной фантазией ограничены.