Deep Learning 101, Taiwan’s pioneering and highest deep learning meetup, launched on 2016/11/11 @ 83F, Taipei 101

💼 從頂層 AI 戰略到地端 GPU 部署企業方案：卡在開源模型效能低落？不知道如何為企業私有雲架設高併發的推論伺服器？提供 FDE (Forward Deployed Engineering) 級別的 AI 落地顧問與架構建置以及企業級的 LLM 架構健檢與地端部署服務。

AI是一條孤獨且充滿惶恐及未知的旅程，花俏絢麗的收費課程或活動絕非通往成功的捷徑。
衷心感謝當時來自不同單位的AI同好參與者實名分享的寶貴經驗；如欲移除資訊還請告知。
由 TonTon Huang Ph.D. 發起，特別感謝時任職公司台灣雪豹科技無償贊助場地及茶水點心。
這裡不僅匯集了我們歷年的 Meetup 紀錄，更是 AI 演算法與開源資源匯整中心。

👉 Deep Learning 101 歷年 Meetup 📺 💼 預約企業 AI 架構健檢與 POC 諮詢

🏥 HugNLP 統一信息抽取框架實戰：診斷書醫囑擷取分析

文獻參考：HugNLP: A Unified and Comprehensive Library for Natural Language Processing (arXiv:2302.14286)
開源專案：GitHub - HugAILab/HugNLP

📌 什麼是 HugNLP？

HugNLP 是一個基於 HuggingFace Transformers 的統一且全面的自然語言處理 (NLP) 函式庫。它旨在幫助研究人員輕鬆使用現成的演算法，並在真實場景中開發自定義模型與任務。它統一了預訓練語言模型 (PLMs) 在不同 NLP 任務上的學習過程，並展示了如知識增強、通用資訊抽取、低資源探勘與程式碼理解等特點。

HugNLP 框架概覽

Jianing Wang, Nuo Chen, Qiushi Sun, Wenkang Huang, Chengyu Wang, Ming Gao, “HugNLP: A Unified and Comprehensive Library for Natural Language Processing”, arXiv preprint, arXiv:2302.14286, 2023

github

In this paper, we introduce HugNLP, a unified and comprehensive library for natural language processing (NLP) with the prevalent backend of HuggingFace Transformers, which is designed for NLP researchers to easily utilize off-the-shelf algorithms and develop novel methods with user-defined models and tasks in real-world scenarios. HugNLP consists of a hierarchical structure including models, processors and applications that unifies the learning process of pre-trained language models (PLMs) on different NLP tasks. Additionally, we present some featured NLP applications to show the effectiveness of HugNLP, such as knowledge-enhanced PLMs, universal information extraction, low-resource mining, and code understanding and generation, etc. The source code will be released on GitHub (https://github.com/wjn1996/HugNLP).

HugNLP

HugNLP 框架概覽

基於機器閱讀理解(MRC)的指令微調(Instruction-tuning)的統一信息抽取框架之診斷書醫囑擷取分析

針對診斷書醫囑文字分析的開發過程記錄，分別嘗試了五種演算法，依序是 PaddleNLP的UIE、ChatGPT 3.5、UniIE、InstructUIE、HugIE

整個想要處理的是將如上所提供的範例診斷書，先透過光學文字識別(OCR)，得到相關資料後，再進一步針對診斷書其醫囑文字做分析；那就再來看看要對醫囑(範例)產出怎樣的結果，首先，就是要從醫囑中分析出以下各個字詞跟其關係。

(A) 住院: 起始日, 終止日, 天數
(B) 燒燙傷: 起始日, 終止日
(C) 加護病房: 起始日, 終止日
(D) 門診: 起訖日, 次數
(F) 手術: 起訖日, 項目, 次數
(G) 急診: 起始日, 終止日, 起始時間, 終止時間
(H) 癌症化療: 起始日, 終止日, 次數
(I) 罹癌: 起始日, 終止日
(J) 癌症放射線: 次數, 起始日, 終止日

醫囑範例

病患曾於108年11月10日12：08~108年11月11日19：41至本院急診治療，於民國108年11月11日住院，住院中持續接受內科治療與氧氣治療，於108年11月21日出院，出院後需使用居家呼吸器以及製氧機，宜門診追蹤治療”
病人於民國108年09月14日從門診入院，住普通病房，於民國108年12月06日出院，特此證明。
該病患因上述疾病於民國108年5月18日至本院急診室就診，經傷口護理及診療後於當天出院，應於門診持續追蹤治療。
病人因上述疾病於2019年12月11日入院接受治療，於2019年12月16日出院，共住院6日，宜門診繼續追蹤治療
病人因上述症狀，於民國108年12月16日住院，接受自費欣普尼注射治療，並於民國108年12月17日出院，須門診追蹤治療。

如果這是一條醫囑：” 患者因上述原因於民國112年5月10日來院接受子宮腔鏡瘜肉切除手術依病歷記錄患者接受醫師於2023-05-02、2023-05-09,醫師於2023-05-16、2023-05-19之本院門診追蹤治療共計4次。” 那其結果應該要跟據前述字詞分析出像這樣的結果：