zhufy/squad-ms-bert-base

Model Description

This model is for Malay extractive question answering. It is based on the malay-huggingface/bert-base-bahasa-cased model, and it is case-sensitive: it makes a difference between english and English.

Training data

Malay SQuAD v2.0

How to use

You can use it directly from the 🤗 Transformers library with a pipeline:

>>> from transformers.pipelines import pipeline
>>> from transformers import AutoTokenizer, AutoModelForQuestionAnswering

>>> tokenizer = AutoTokenizer.from_pretrained("zhufy/squad-ms-bert-base")
>>> model = AutoModelForQuestionAnswering.from_pretrained("zhufy/squad-ms-bert-base")
>>> nlp = pipeline("question-answering", model=model, tokenizer=tokenizer)

>>> context = "Pada manusia, tindak balas ini diaktifkan dengan pelengkap 
               pengikatan kepada antibodi yang telah melekat pada mikrob ini 
               atau pengikatan protein pelengkap kepada karbohidrat pada permukaan
               mikrob. Isyarat pengiktirafan ini mencetuskan tindak balas pembunuhan
               yang pantas. Kelajuan tindak balas adalah hasil penguatan isyarat 
               yang berlaku berikutan pengaktifan proteolytik berturutan molekul 
               pelengkap, yang juga protease. Selepas protein pelengkap pada mulanya
               mengikat kepada mikrob, mereka mengaktifkan aktiviti protease mereka,
               yang seterusnya mengaktifkan protease pelengkap lain, dan sebagainya.
               Ini menghasilkan cascade bermangkin yang menguatkan isyarat awal dengan
               maklum balas positif terkawal. Kastil menghasilkan penghasilan peptida
               yang menarik sel imun, meningkatkan kebolehtelapan vaskular, dan opsonize
               (kot) permukaan patogen, menandakannya untuk kemusnahan. Pemendapan 
               pelengkap ini juga boleh membunuh sel secara terus dengan mengganggu
               membran plasma mereka."
              
>>> question = "Protein pelengkap mengikat molekul apa yang berada di 
                permukaan mikrob untuk mendapatkan tindak balas imunWhat 
                are two basic primary resources used to guage complexity?"

>>> inputs = {"question": question, 
            "context":context }
            
>>> nlp(inputs)

{'score': 0.9848766922950745,
 'start': 162,
 'end': 173,
 'answer': 'karbohidrat'}