legacy-datasets/banking77
קוד פתוחlegacy-datasetscc-by-4.02022-03-02
13,083 פניות שירות לקוחות בנקאיות באנגלית שמסווגות ל־77 כוונות מדויקות. המאגר מיועד למי שרוצה לבחון מודל סיווג על משימה עמוסה במחלקות צפופות מאותו התחום.
- 10,582הורדות בחודש
- 51לייקים
מה זה
המאגר מכיל פניות טקסט קצרות של לקוחות בנקאות אונליין, כשלכל רשומה מוצמד מספר מזהה שמייצג כוונה מוגדרת. הרשומות קצרות מאוד, באורך ממוצע של בין 54 ל־60 תווים למשפט. הרעיון של החוקרים היה לבנות מבחן ריאליסטי יותר מצ'אטבוטים בסיסיים שיש בהם פחות מעשר כוונות, ובמקום לפזר דוגמאות על כמה תחומים, לרכז עומק של 77 קטגוריות שונות שקשורות כולן לבנקאות דיגיטלית.
החלוקה הפנימית מפרידה בין 10,003 דוגמאות אימון לבין 3,080 דוגמאות מבחן, כאשר כל 77 הכוונות מיוצגות בשני החלקים. כרטיס המאגר לא מפרט כיצד הטקסטים נאספו בפועל, מי כתב אותם או איך נעשה תהליך הסינון והתיוג הראשוני, ומציין במפורש שפרטים אלו חסרים.
מתאים ל
- אימון מסווג כוונות צפוף
בניית מודל סיווג שמתמודד עם הבדלים עדינים בין עשרות מחלקות שונות באותו עולם תוכן.
- הערכת ביצועי מודלי שפה
הרצת מבחני דיוק על משימת חילוץ כוונה קצרה כדי להשוות יכולות של מודלי בסיס שונים.
- בניית ניתוב פניות למוקד
יצירת שכבת ניתוב אוטומטית שמכוונת שאלות של לקוחות בנקאיים לנציג או למחלקה המתאימה.
איפה זה נופל
המאגר כולו באנגלית בלבד, כך שהוא לא יעזור ישירות למי שבונה בוט בעברית בלי תרגום או התאמה. בנוסף, מדובר במאגר מיושן שהועבר לארכיון ומוגדר כלא נתמך, כשהדף הרשמי עצמו ממליץ להשתמש בגרסה העדכנית של PolyAI במקום. מעבר לזה, הכרטיס לא מספק מידע על הטיות, מאיזה בנק או אזור גיאוגרפי הגיעו הפניות, או כיצד נוטרל מידע אישי ורגיש. אם אתם מכוונים למערכת בנקאית מקומית, חלק מהקטגוריות כמו צ'קים או כרטיסים ספציפיים עשויות להיות פחות רלוונטיות לתהליכים בישראל.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצר מסחרי?
כן, רישיון CC-BY 4.0 מתיר שימוש מסחרי מלא. הדרישה היחידה היא לתת קרדיט נאות לחוקרים ולציין את הרישיון בתיעוד המוצר.
האם המאגר כולל פניות בעברית?
לא, כל 13,083 הרשומות כתובות באנגלית בלבד. כדי להשתמש בו למוצר ישראלי תצטרכו לתרגם את הדוגמאות או לאסוף נתונים מקבילים.
מדוע המאגר מוגדר כ־legacy וכדאי לעבור למקום אחר?
הגרסה הזו סומנה כלא מתוחזקת ועתידה להימחק. המפרסמים מפנים במפורש להשתמש בגרסה הראשית תחת המשתמש של PolyAI בהאגינג פייס.
במה הוא שונה ממאגרי כוונות מוכרים כמו SNIPS?
רוב המאגרים הישנים מכילים פחות מעשר כוונות כלליות. כאן יש 77 כוונות שונות שמרוכזות כולן סביב בעיות ופעולות בנקאיות ספציפיות.
איך טוענים
טוענים את הנתונים ישירות דרך ספריית datasets מתוך קובצי Parquet ששמורים במאגר, אחד לאימון ואחד לבדיקה. אין צורך באישור גישה או בחשבון מיוחד. המבנה כולל בסך הכל שני שדות: מחרוזת טקסט רגילה עם פניית המשתמש, ושדה מספר שלם בין 0 ל־76 שממפה את הפנייה לשם הכוונה המתאימה.
from datasets import load_dataset
ds = load_dataset("legacy-datasets/banking77")הרישיון
הנתונים מופצים תחת רישיון CC-BY 4.0 שמתיר שימוש מסחרי, שינוי והפצה, כל עוד אתם נותנים קרדיט מתאים ליוצרים ומציינים אם ערכתם שינויים. אין דרישה לשתף תוצרים באותו הרישיון, מה שאומר שמותר לאמן מודלים למוצרים מסחריים סגורים.
- שימוש מסחרי
- שינוי הקוד
- חובת ייחוס