Skip to content

ZhanPascal/SAE-GPT2

 
 

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

108 Commits
 
 
 
 
 
 
 
 
 
 

Repository files navigation

Projet: Création d'un Système de Chatbot Conversationnel basé sur GPT-2

Composition de l'équipe:

  • Bastien HOTTELET
  • Lilian SOARES
  • Pascal ZHAN
  • Fatih FIDAN
  • Tamij SARAVANAN
  • Kevin POSTIC
  • Evan PARIS

Contexte:

Ce projet a pour objectif de développer un chatbot conversationnel intelligent en utilisant le modèle GPT-2 comme base. Le chatbot sera capable d'engager des conversations naturelles avec les utilisateurs, de répondre à leurs questions et de fournir des informations utiles.

Tâches:

  • Compréhension de GPT2
  • Collecte de données
  • Fine-tuning de GPT2
  • Intégration de Gradio
  • Tests et optimisation
  • Documentation et Présentation
  • Ressources

Livrables:

  1. Composition de l’équipe, planification de la répartition du rôle de manager, mise en place d’un dépôt de code accessible aux membres de l’équipe et à l’équipe pédagogique en utilisant Github (texte, 20 Octobre 2023, rendu collectif) (Compétence 3)

  2. Analyse des conditions juridiques d’utilisation des données initiales (format : texte, 17 novembre 2023, rendu individuel) (Compétence 3)

  3. Prise en main de GPT-2 et faire des tests pour interroger le modèle pré entraîné avec Jupyter Notebook et Tensorflow/Keras (format: texte explicatif ; 17 Novembre 2023, rendu collectif) (Compétence 1 / Compétence 2)

  4. Analyse (en utilisant word cloud) et Récupération des données en utilisant Tensorflow/Keras ; rendu collectif, 18 décembre 2023) (Compétence 1/ Compétence 2)

  5. Fine-tunning du modèle GPT 2 disponible sur Tensorflow (rendu collectif, 19 Janvier 2023) (Compétence 2)

  6. Prototypage de l’application avec Gradio (rendu collectif, 19 Janvier 2023). (Compétence 1) https://www.figma.com/file/NP8DamV3PV2k38mucGhl0Q/chatbot_test_1?type=design&node-id=0-1&mode=design&t=Gke5TVV5dYdMvLqJ-0

  7. Rapport sur la comparaison entre le modèle générique et le modèle spécialisé (rendu collectif ;16 Février 2024) (Compétence 1 et 2 et 3)

  8. Optimisation de la performance du modèle Fine tuning suivant les résultats obtenus sur la comparaison entre le modèle gé (Toutes les compétences). (4 mars 2024) (Compétence 1 / Compétence 2 / Compétence 3)

Tâches récurrentes:

  • Création de rapports individuels évolutifs sur le travail réalisé (format : texte mis en page ; à la fin de chaque période de deux semaines, rendu individuel) (Compétence 3)
  • Création d’un rapport de management pour la période dont vous allez être responsable détaillant la répartition et la planification des tâches, ainsi que l’évaluation individuelles de ces tâches par le manager (rendu individuel au début de la période suivant la période où un élève remplit le rôle de manager). (Compétence 3). Précisions: à faire avec le logiciel de votre choix (Excel par exemple), inclure des diagrammes de Gantt, des tableaux de suivi, etc.

About

No description, website, or topics provided.

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

 
 
 

Contributors

Languages

  • Jupyter Notebook 99.8%
  • Python 0.2%