ai-ml-nlp-pipeline-designer

name

ai-ml-nlp-pipeline-designer

description

Conception de pipelines NLP (tokenization, embeddings, NER, sentiment, summarization) — guide opérationnel avec snippets, critères de décision et anti-patterns. Se déclenche avec : \"NLP\", \"traitement du langage\", \"NER\", \"sentiment analysis\", \"text classification\", \"spaCy\", \"HuggingFace\". Se déclenche avec "NLP", "traitement du langage", "NER", "sentiment analysis", "text classification", "spaCy", "HuggingFace". Also triggers on "NLP pipeline", "named entity recognition", "embeddings pipeline".

NLP Pipeline Designer

Guide opérationnel pour concevoir et implémenter des pipelines NLP production-ready, de la tokenization aux tâches avancées.

---

Étape 1 — Cadrer la tâche et choisir l'approche

Questions à trancher avant tout code :

Critère	Approche légère	Approche Transformer
< 10 k exemples annotés	TF-IDF + sklearn	SetFit / few-shot
Latence < 50 ms	DistilBERT, FastText	Non
Corpus français	CamemBERT, FlauBERT	XLM-RoBERTa si multilingue
Généralisation zero-shot	Non	NLI (MNLI) ou GPT-4o
Tâche extractive simple	regex + spaCy rules	Rarement utile

Tâches → modèles recommandés (2026) :

• Classification texte : CamemBERT-base (FR), DeBERTa-v3-base (EN)
• NER : spaCy fr_core_news_lg (règles + statistique), bert-base-multilingual-cased fine-tuné
• Sentiment : nlptown/bert-base-multilingual-uncased-sentiment, ou zero-shot facebook/bart-large-mnli
• Summarization : facebook/bart-large-cnn, moussaKam/barthez-orangesum-abstract (FR)
• QA extractif : deepset/camembert-base-squad2 (FR)

---

Étape 2 — Prétraitement du corpus

import re, unicodedata
from langdetect import detect

def clean_text(text: str) -> str:
    text = re.sub(r"<[^>]+>", " ", text)               # strip HTML
    text = unicodedata.normalize("NFC", text)           # normalise unicode
    text = re.sub(r"http\S+|www\.\S+", "[URL]", text)  # masque URLs
    text = re.sub(r"\s+", " ", text).strip()
    return text

# Chunking pour textes longs (sliding window)
def chunk_text(text: str, max_tokens: int = 400, overlap: int = 50) -> list[str]:
    words = text.split()
    chunks = []
    for i in range(0, len(words), max_tokens - overlap):
        chunks.append(" ".join(words[i : i + max_tokens]))
    return chunks

Points critiques :

• Ne pas supprimer les stopwords avant un Transformer (il les utilise pour le contexte).
• Conserver la casse pour la NER (majuscules = signal fort pour les entités).
• Annoter la langue avant tout pipeline multilingue : detect(text) → filtrer/router.

---

Étape 3 — Tokenization et DataLoader

from transformers import AutoTokenizer
from torch.utils.data import Dataset, DataLoader

tokenizer = AutoTokenizer.from_pretrained("camembert-base")

class TextDataset(Dataset):
    def __init__(self, texts, labels, max_length=512):
        self.encodings = tokenizer(
            texts, truncation=True, padding=True,
            max_length=max_length, return_tensors="pt"
        )
        self.labels = labels

    def __getitem__(self, idx):
        item = {k: v[idx] for k, v in self.encodings.items()}
        item["labels"] = self.labels[idx]
        return item

    def __len__(self):
        return len(self.labels)

loader = DataLoader(TextDataset(train_texts, train_labels), batch_size=16, shuffle=True)

Stratégie textes longs (> 512 tokens) :

1. Troncation simple : acceptable si l'info utile est en début de texte.
2. Sliding window + vote : prédire sur chaque chunk, agréger (mean ou max).
3. Hierarchical model : encoder les phrases, puis encoder le document.

---

Étape 4 — Fine-tuning

from transformers import AutoModelForSequenceClassification, TrainingArguments, Trainer
import evaluate

model = AutoModelForSequenceClassification.from_pretrained("camembert-base", num_labels=3)

args = TrainingArguments(
    output_dir="./checkpoints",
    num_train_epochs=5,
    per_device_train_batch_size=16,
    per_device_eval_batch_size=32,
    learning_rate=2e-5,          # 2e-5 à 5e-5 pour BERT-like
    weight_decay=0.01,
    warmup_ratio=0.1,
    evaluation_strategy="epoch",
    save_strategy="best",
    load_best_model_at_end=True,
    metric_for_best_model="f1",
    fp16=True,                   # activer si GPU CUDA disponible
)

metric = evaluate.load("f1")
def compute_metrics(eval_pred):
    logits, labels = eval_pred
    preds = logits.argmax(-1)
    return metric.compute(predictions=preds, references=labels, average="macro")

trainer = Trainer(model=model, args=args,
                  train_dataset=train_ds, eval_dataset=val_ds,
                  compute_metrics=compute_metrics)
trainer.train()

Hyperparamètres clés :

• learning_rate : 2e-5 (sûr), 5e-5 si dataset > 10k, 1e-5 si on gèle les couches basses.
• warmup_ratio : 0.06–0.1 pour éviter les instabilités en début d'entraînement.
• Geler les 6 premières couches si < 1000 exemples : for p in model.bert.encoder.layer[:6].parameters(): p.requires_grad = False

---

Étape 5 — Pipeline spaCy (règles + ML, production rapide)

import spacy

nlp = spacy.load("fr_core_news_lg")

# Ajouter des règles métier avant le ML
ruler = nlp.add_pipe("entity_ruler", before="ner")
ruler.add_patterns([
    {"label": "PRODUIT", "pattern": [{"LOWER": "carte"}, {"LOWER": "visa"}]},
    {"label": "CODE", "pattern": [{"TEXT": {"REGEX": r"^[A-Z]{2}\d{6}$"}}]},
])

doc = nlp("La carte Visa n° AB123456 est expirée.")
for ent in doc.ents:
    print(ent.text, ent.label_)

Quand préférer spaCy au HuggingFace :

• Pipeline CPU-only en production (latence < 20 ms par document).
• Règles métier à combiner avec le ML (entity_ruler + NER).
• Cas d'usage où l'explicabilité des règles est requise.

---

Étape 6 — Évaluation rigoureuse

from sklearn.metrics import classification_report
from seqeval.metrics import classification_report as ner_report  # pour NER BIO

# Classification
print(classification_report(y_true, y_pred, target_names=class_names, digits=4))

# NER (format BIO)
print(ner_report(true_tags, pred_tags))  # F1 par type d'entité

Métriques par tâche :

Tâche	Métrique principale	Métrique secondaire
Classification binaire	F1 macro	AUC-ROC
Classification multi-classe	F1 macro	Matrice de confusion
NER	F1 entité exacte (seqeval)	F1 partielle
Summarization	ROUGE-L	BERTScore
QA extractif	Exact Match	F1 token

Analyse d'erreurs :

errors = [(text, true, pred) for text, true, pred in zip(texts, y_true, y_pred) if true != pred]
# Inspecter les 20 erreurs les plus fréquentes par classe confondue
from collections import Counter
Counter((t, p) for _, t, p in errors).most_common(10)

---

Étape 7 — Mise en production

# Sérialisation optimisée
from optimum.onnxruntime import ORTModelForSequenceClassification

model_ort = ORTModelForSequenceClassification.from_pretrained("./checkpoints", export=True)
model_ort.save_pretrained("./model_onnx")
# Latence divisée par 2–4 vs PyTorch CPU

# Pipeline HuggingFace prêt à l'emploi
from transformers import pipeline
classifier = pipeline("text-classification", model="./model_onnx",
                      tokenizer=tokenizer, device=-1)
results = classifier(texts, batch_size=32, truncation=True)

Checklist avant déploiement :

• Versionner ensemble : tokenizer/ + model/ + config.json + code de prétraitement.
• Tester le pipeline sur des textes vides, très longs, avec caractères spéciaux.
• Ajouter un timeout et un fallback (réponse par défaut) si latence dépassée.
• Logger les entrées et prédictions (échantillon 1%) pour détecter le drift.
• Définir un seuil de confiance minimum — rejeter les prédictions < seuil.

---

Anti-patterns et pièges fréquents

Piège	Symptôme	Correction
Évaluer sur les données d'entraînement	F1 = 0.99 en train, 0.60 en test	Split strict, entity-level pour NER
Même tokenizer que le pré-entraînement non respecté	Résultats incohérents	AutoTokenizer.from_pretrained(model_name) toujours
Textes > 512 tokens tronqués silencieusement	Perte d'information en fin de doc	Sliding window ou chunking explicite
Stopwords supprimés avant Transformer	Dégradation des performances	Ne supprimer les stopwords que pour TF-IDF/classiques
Modèle anglais sur corpus français	F1 -15 à -30 points vs CamemBERT	Toujours aligner langue modèle / langue corpus
Fine-tuning sans warmup	Loss diverge en début d'entraînement	warmup_ratio=0.1 minimum
Batch trop petit (1-2) avec BN	Gradients instables	batch_size >= 8, gradient_accumulation si mémoire limitée
Label imbalance ignoré	Modèle prédit toujours la classe majoritaire	class_weight="balanced" ou oversampling (imbalanced-learn)

---

Ressources et outils clés (2026)

• HuggingFace Hub : huggingface.co/models — filtrer par langue + tâche.
• spaCy : python -m spacy download fr_core_news_lg
• Optimum : export ONNX + quantisation INT8 pour inférence CPU rapide.
• Label Studio : annotation collaborative (NER, classification, QA).
• Argilla : feedback humain en boucle fermée pour amélioration continue.
• BERTopic : clustering de topics non supervisé sur grands corpus.

Communication Rules — MANDATORY

• Ultra-concise. No filler, no preamble, no pleasantries.
• Never say "happy to help", "sure!", "great question", "let me", or similar.
• Tool first, talk second. Act before explaining.
• Result first. Lead with outcome, not process.
• Stop when done. No summary, no recap, no trailing commentary.
• No politeness wrappers. Direct and blunt.
• Minimum words. If one word works, do not use ten.
• No unsolicited explanations.
• No emoji unless asked.