clasificador-incidencias-hotel-lora API & Inference Endpoint

Datos

Los datos son sintéticos, inventados por mí a partir de un contrato con las categorías y las reglas de prioridad. No hay datos de huéspedes reales.

240 ejemplos de entrenamiento (40 situaciones escritas de 6 formas distintas)
30 de validación y 30 de test, con situaciones que no aparecen en entrenamiento

Entrenamiento

Modelo base: Qwen/Qwen3-0.6B
LoRA: r=8, alpha=16, dropout=0.05, sobre q, k, v, o, gate, up y down
2 épocas, learning rate 0.0002, batch 2 con acumulación 4, semilla 42
La pérdida solo se calcula sobre la respuesta, no sobre las instrucciones
Tardó 11,8 minutos en un MacBook Air M4 de 16 GB (GPU del Mac, MPS)

Resultados en test (30 casos)

Cuento un acierto cuando el modelo acierta categoría y prioridad a la vez, sin arreglar el JSON.

Table with columns: Forma, JSON válido, Categoría, Prioridad, Las dos
Forma	JSON válido	Categoría	Prioridad	Las dos
Qwen3-0.6B con instrucciones	30	23	9	6
Instrucciones + 5 ejemplos	30	22	18	14
Con este adaptador	30	28	24	22

Cómo usarlo

python

from transformers import AutoTokenizer, AutoModelForCausalLMfrom peft import PeftModel tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen3-0.6B")modelo = AutoModelForCausalLM.from_pretrained("Qwen/Qwen3-0.6B")modelo = PeftModel.from_pretrained(modelo, "juanmisanchezz/clasificador-incidencias-hotel-lora")

Hay que usar las mismas instrucciones de sistema que en el entrenamiento y la plantilla de chat con enable_thinking=False.

Límites

Solo lo he probado con 30 casos de test, todos sintéticos y en español.
Sigue fallando 8 de 30, sobre todo en la prioridad.
La respuesta al huésped es una frase fija por categoría: no está pensada para usarse con clientes reales sin revisión.
Es un ejercicio de aprendizaje, no un sistema para producción.

Datos

Los datos son sintéticos, inventados por mí a partir de un contrato con las categorías y las reglas de prioridad. No hay datos de huéspedes reales.

240 ejemplos de entrenamiento (40 situaciones escritas de 6 formas distintas)
30 de validación y 30 de test, con situaciones que no aparecen en entrenamiento

Entrenamiento

Modelo base: Qwen/Qwen3-0.6B
LoRA: r=8, alpha=16, dropout=0.05, sobre q, k, v, o, gate, up y down
2 épocas, learning rate 0.0002, batch 2 con acumulación 4, semilla 42
La pérdida solo se calcula sobre la respuesta, no sobre las instrucciones
Tardó 11,8 minutos en un MacBook Air M4 de 16 GB (GPU del Mac, MPS)

Resultados en test (30 casos)

Cuento un acierto cuando el modelo acierta categoría y prioridad a la vez, sin arreglar el JSON.

Table with columns: Forma, JSON válido, Categoría, Prioridad, Las dos
Forma	JSON válido	Categoría	Prioridad	Las dos
Qwen3-0.6B con instrucciones	30	23	9	6
Instrucciones + 5 ejemplos	30	22	18	14
Con este adaptador	30	28	24	22

Cómo usarlo

python

from transformers import AutoTokenizer, AutoModelForCausalLMfrom peft import PeftModel tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen3-0.6B")modelo = AutoModelForCausalLM.from_pretrained("Qwen/Qwen3-0.6B")modelo = PeftModel.from_pretrained(modelo, "juanmisanchezz/clasificador-incidencias-hotel-lora")

Hay que usar las mismas instrucciones de sistema que en el entrenamiento y la plantilla de chat con enable_thinking=False.

Límites

Solo lo he probado con 30 casos de test, todos sintéticos y en español.
Sigue fallando 8 de 30, sobre todo en la prioridad.
La respuesta al huésped es una frase fija por categoría: no está pensada para usarse con clientes reales sin revisión.
Es un ejercicio de aprendizaje, no un sistema para producción.

clasificador-incidencias-hotel-lora

README

Datos

Entrenamiento

Resultados en test (30 casos)

Cómo usarlo

Límites

Explore FriendliAI today

README

Datos

Entrenamiento

Resultados en test (30 casos)

Cómo usarlo

Límites