Update README.md

README.md

@@ -5,10 +5,118 @@ tags:
 - nli
 - spanish
 - bart
-- taller-mecanico
-pipeline_tag: text-classification
+library_name: transformers
+pipeline_tag: zero-shot-classification
 widget:
-- text: "El mecánico apretó el tornillo con la llave inglesa."
-  text_pair: "Se utilizó una herramienta manual."
+- text: "El Real Madrid ha ganado la Champions League."
+  parameter_labels: "deportes, política, economía, ciencia"
+  example_title: "Ejemplo Zero-Shot"
+base_model:
+- facebook/bart-base
 ---
-# BART para NLI en Español (Herramientas de Taller)
+
+# BART for Natural Language Inference (MNLI Custom)
+
+Este modelo es una versión finetuneada de **facebook/bart-base** para la tarea de **Inferencia de Lenguaje Natural (NLI)**. Ha sido entrenado para clasificar la relación entre una premisa y una hipótesis en tres categorías:
+
+1. **Entailment** (Implicación)
+2. **Neutral**
+3. **Contradiction** (Contradicción)
+
+## Detalles del Modelo
+
+- **Base**: `facebook/bart-base`
+- **Tarea**: Clasificación de secuencias (3 etiquetas).
+- **Entrenamiento**: Se utilizó un callback de *Early Stopping* para evitar el sobreajuste, optimizando la métrica de **accuracy**.
+
+## Cómo usar el modelo
+
+Puedes utilizar este modelo directamente con la librería `transformers` de Hugging Face.
+
+### Ejemplo de Inferencia
+
+```python
+from transformers import AutoTokenizer, AutoModelForSequenceClassification
+import torch
+
+model_name = "marcostrfn/bart-base-spanish-nli-taller-test"
+tokenizer = AutoTokenizer.from_pretrained(model_name)
+model = AutoModelForSequenceClassification.from_pretrained(model_name)
+
+def predict_nli(premise, hypothesis):
+    # Tokenización de la pareja de frases
+    inputs = tokenizer(premise, hypothesis, return_tensors="pt", truncation=True, padding=True)
+    
+    # Predicción
+    with torch.no_grad():
+        logits = model(**inputs).logits
+    
+    # Obtener la etiqueta con mayor probabilidad
+    prediction = torch.argmax(logits, dim=-1).item()
+    
+    # Mapeo de etiquetas (ajustar según el orden de tus datos)
+    labels = {0: "entailment", 1: "neutral", 2: "contradiction"}
+    return labels[prediction]
+
+# Ejemplo de prueba
+premisa = "Un hombre está tocando la guitarra en el parque."
+hipotesis = "Alguien está haciendo música al aire libre."
+
+resultado = predict_nli(premisa, hipotesis)
+print(f"La relación es: {resultado}")
+```
+
+### Ejemplo de inferencia como clasificador
+
+```python
+from transformers import pipeline
+
+# 1. Cargar el pipeline específico de Zero-Shot
+# Puedes usar la ruta de tu modelo en Hugging Face o local
+model_path = "marcostrfn/bart-base-spanish-nli-taller-test"
+
+# Importante: El pipeline zero-shot-classification requiere un modelo NLI
+zero_shot_classifier = pipeline(
+    "zero-shot-classification",
+    model=model_path,
+    tokenizer=model_path,
+    device=-1  # 0 para GPU
+)
+
+# 2. Definir el texto y las etiquetas que tú quieras (sin haber reentrenado)
+secuencia_a_clasificar = "El nuevo procesador cuántico permite realizar cálculos en segundos."
+etiquetas_candidatas = ["tecnología", "cocina", "deportes", "economía"]
+
+# 3. Ejecutar la clasificación
+# El modelo probará: "Este texto trata sobre tecnología", "Este texto trata sobre cocina", etc.
+resultado = zero_shot_classifier(
+    secuencia_a_clasificar,
+    candidate_labels=etiquetas_candidatas,
+    hypothesis_template="Este ejemplo trata sobre {}." # Plantilla en español
+)
+
+# 4. Mostrar resultados ordenados
+print(f"Texto: {resultado['sequence']}\n")
+for label, score in zip(resultado['labels'], resultado['scores']):
+    print(f"Etiqueta: {label.ljust(12)} | Confianza: {score:.2%}")
+```
+
+
+Parámetros de Entrenamiento
+
+El modelo fue entrenado con las siguientes configuraciones:
+
+    Learning Rate: 2e-5
+
+    Batch Size: 16
+
+    Épocas: 3 (con Early Stopping)
+
+    Weight Decay: 0.01
+
+    Precisión: FP16 activa
+
+Limitaciones y Sesgos
+
+Este modelo hereda las limitaciones del modelo base BART y está sujeto a los sesgos presentes en el dataset de entrenamiento utilizado. Se recomienda evaluar el modelo en casos específicos antes de su uso en producción.
+