---
language: es
license: apache-2.0
tags:
- nli
- spanish
- bart
library_name: transformers
pipeline_tag: text-classification
base_model: facebook/bart-base
datasets:
- marcostrfn/nli-taller-es
---

# 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: 10 (con Early Stopping)

    Weight Decay: 0.01

    Precisión: FP16 activa


### Métricas

Resultados de Evaluación (Classification Report)

El modelo fue evaluado sobre un conjunto de prueba de 13,859 ejemplos, obteniendo un Accuracy global de 68%.

| Etiqueta | Precisión | Recall | F1-Score | Soporte |
| :--- | :---: | :---: | :---: | :---: |
| Entailment | 0.73 | 0.67 | 0.70 | 4777 |
| Neutral | 0.62 | 0.66 | 0.64 | 4184 |
| Contradiction | 0.69 | 0.70 | 0.70 | 4898 |
| **Global Accuracy** | | | **0.68** | **13859** |

![matriz de confusión](1KDePP_0e-v_MWxwxHFmySdkEjMwK088h)    

![métricas](1c497rYuYryWxiv-b679jAey7QjisUjIi)    


**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.