Детальная информация

Целью данной работы является создание системы для преобразования художественного текста к формату киносценария на основе модели машинного обучения. В ходе работы были решены следующие задачи: - Разработать методику преобразования художественного текста к формату киносценария. - Провести обзор аналогов разрабатываемого решения. - Выбрать нейросетевую модель и провести ее обучение. - Создать на основе данной модели систему, реализующую разработанную методику. - Провести тестирование разработанного решения. Работа была выполнена в среде Google Colab. Датасет был разработан в среде Visual Studio Code. Для обучения модели применялись библиотеки torch, unsloth, datasets, trl, transformers. При создании ансамбля использовались библиотеки re, bert_score. Прототип приложения был разработан при помощи библиотеки gradio. Была проведена апробация, которая показала эффективность разработанного решения при преобразовании реальных художественных текстов. Тестирование созданной системы выявило ее преимущество по сравнению с одной моделью, дообученной на том же наборе данных.

The aim of this work is to develop a system for converting a literary text into a screenplay format based on a machine learning model. The following tasks were solved in this work: - To develop a methodology for converting literary text into a screenplay format. - To make a review of existing alternatives to the proposed solution. - To select a neural network model and perform its training. - To build, on the basis of this model, a system that implements the developed methodology. - To test the developed solution. The work was carried out in the Google Colab environment. The dataset was developed in the Visual Studio Code environment. The following libraries were used for model training: torch, unsloth, datasets, trl, transformers. When building the ensemble, the re and bert_score libraries were employed. The prototype of an application was created using the gradio library. The validation was conducted and demonstrated the efficiency of developed solution in converting real literary texts. The testing showed the advantage of the ensemble compared to the single model trained on the same dataset.