Update README.md

README.md

@@ -140,135 +140,3 @@ BibTeX:
   howpublished = {\url{https://huggingface.co/drguilhermeapolinario/llama3.18b_gtell_psiq}},
 }
 ```
-
-
-Vamos preencher este template passo a passo com base nas informações que você forneceu. Abaixo estão sugestões para cada seção do template do Model Card:
-
-Model Card for Model ID
-Este modelo foi criado para gerar textos relacionados à área de saúde mental, especificamente psiquiatria. O modelo foi treinado com um conjunto de dados em português que aborda transtornos mentais, incluindo transtornos de ansiedade, depressão, e transtornos de personalidade.
-
-Model Details
-Model Description
-Este modelo é uma adaptação do modelo LLaMA 3.18B focado na geração de textos médicos relacionados à psiquiatria. Ele foi ajustado para ser utilizado em diálogos clínicos, diagnósticos e encaminhamentos médicos, principalmente em língua portuguesa. Seu objetivo é auxiliar profissionais de saúde mental em diagnósticos preliminares e na criação de relatórios médicos.
-
-Developed by: Dr. Guilherme Apolinário
-Funded by [optional]: N/A
-Shared by [optional]: Dr. Guilherme Apolinário
-Model type: LLaMA 3.18B (Text Generation)
-Language(s) (NLP): Português
-License: Apache 2.0
-Finetuned from model [optional]: LLaMA 3.18B
-Model Sources [optional]
-Repository: Link para o repositório do modelo
-Paper [optional]: N/A
-Demo [optional]: N/A
-Uses
-Direct Use
-O modelo pode ser utilizado diretamente para gerar relatórios médicos, diagnósticos preliminares em psiquiatria e textos sobre transtornos mentais em português.
-
-Downstream Use [optional]
-O modelo pode ser ajustado para tarefas específicas, como diagnósticos detalhados ou adaptação para outros contextos clínicos e de saúde mental.
-
-Out-of-Scope Use
-O modelo não é adequado para uso em contextos fora da área de saúde mental, como assistência jurídica ou diagnósticos médicos fora do escopo da psiquiatria.
-
-Bias, Risks, and Limitations
-Este modelo foi treinado com dados predominantemente em português e pode não generalizar bem para outras línguas. Além disso, há riscos de viés nos dados relacionados a transtornos mentais e culturais, especialmente ao lidar com questões de saúde mental que podem ser interpretadas de maneiras diferentes em outros contextos.
-
-Recommendations
-Os usuários devem ter em mente as limitações do modelo em termos de viés cultural e linguístico. É altamente recomendável que o uso do modelo seja supervisionado por profissionais de saúde mental qualificados.
-
-How to Get Started with the Model
-Use o código abaixo para iniciar o uso do modelo:
-
-python
-Copiar código
-from transformers import AutoTokenizer
-from adapters import AutoAdapterModel
-
-# Carregar o modelo e o tokenizador
-model = AutoAdapterModel.from_pretrained("drguilhermeapolinario/llama3.18b_gtell_psiq")
-tokenizer = AutoTokenizer.from_pretrained("drguilhermeapolinario/llama3.18b_gtell_psiq")
-
-# Texto de entrada para o modelo
-input_text = "Insira aqui o seu texto de teste."
-
-# Tokenizar o texto de entrada
-inputs = tokenizer(input_text, return_tensors="pt")
-
-# Gerar uma resposta usando o modelo
-outputs = model.generate(**inputs)
-
-# Decodificar e exibir a resposta gerada
-output_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
-
-print("Texto gerado:", output_text)
-Training Details
-Training Data
-O modelo foi treinado utilizando um conjunto de dados contendo textos em português sobre transtornos mentais, incluindo depressão, transtornos de ansiedade, esquizofrenia, transtornos de personalidade e transtorno bipolar. Os dados foram coletados de fontes especializadas em saúde mental.
-
-Training Procedure
-O modelo foi ajustado utilizando fp16 mixed precision para maximizar a eficiência de treinamento. A base do modelo é o LLaMA 3.18B, com ajustes feitos para adaptação a textos médicos e clínicos.
-
-Preprocessing [optional]
-Os dados foram pré-processados para remover inconsistências e garantir que o modelo estivesse focado em textos clínicos em português.
-
-Training Hyperparameters
-Training regime: fp16 mixed precision
-Batch size: 16
-Learning rate: 5e-5
-Speeds, Sizes, Times [optional]
-Total Training Time: 36 horas
-Hardware: 2 GPUs A100
-Evaluation
-Testing Data, Factors & Metrics
-Testing Data
-O modelo foi testado com um conjunto de dados separado de diálogos clínicos e textos médicos que cobrem transtornos mentais, depressão e ansiedade.
-
-Factors
-O desempenho foi avaliado em diferentes subgrupos, como diálogos clínicos sobre transtornos de ansiedade, depressão e esquizofrenia.
-
-Metrics
-A principal métrica de avaliação foi a fluência dos textos gerados, com foco na precisão clínica e relevância diagnóstica.
-
-Results
-O modelo apresentou uma precisão de 92% em gerar textos clinicamente relevantes e consistentes com diagnósticos comuns em psiquiatria.
-
-Summary
-O modelo é adequado para a geração de textos clínicos relacionados a transtornos mentais em português, com uma boa capacidade de generalização para diálogos e relatórios médicos.
-
-Environmental Impact
-Carbon emissions podem ser estimados utilizando a calculadora Machine Learning Impact calculator.
-
-Hardware Type: GPUs A100
-Hours used: 36 horas
-Cloud Provider: N/A
-Compute Region: N/A
-Carbon Emitted: Aproximadamente 50 kg de CO2eq
-Technical Specifications [optional]
-Model Architecture and Objective
-O modelo é baseado na arquitetura LLaMA 3.18B, adaptado para geração de texto clínico em psiquiatria.
-
-Compute Infrastructure
-Hardware
-2 GPUs A100.
-
-Software
-PyTorch, Transformers, Hugging Face Adapters.
-
-Citation [optional]
-BibTeX:
-
-```
-@misc{apolinario2024,
-  author = {Guilherme Apolinário},
-  title = {LLaMA 3.18B Psiquiatria},
-  year = {2024},
-  publisher = {Hugging Face},
-  journal = {Hugging Face Repository},
-  howpublished = {\url{https://huggingface.co/drguilhermeapolinario/llama3.18b_gtell_psiq}},
-}
-```
-
-Model Card Contact
-Para mais informações, entre em contato com Dr. Guilherme Apolinário.