Wyróżnione projekty

• 

  Klasyfikator autorstwa zwrotek rapowych - NLP i LLM

  W ramach projektu zostały dostrojone modele językowe do zadania klasyfikacji autorstwa zwrotek rapowych, czyli rozpoznawania jednego z 20 polskich raperów na podstawie tekstu zwrotki rapowej.

  
  

  Zbiór danych został przygotowany samodzielnie: teksty pobrano z Genius API, sparsowano na pojedyncze zwrotki i oczyszczono (ok. 8 tys. rekordów, 20 klas). Dane podzielono na zbiór treningowy i testowy.

  
  

  Dostrojono dwa modele bazowe - Qwen3.5-4B oraz Gemma-4-E2B - metodą QLoRA (z biblioteką Unsloth i Transformers) wraz z głowicą klasyfikacyjną. Główną metryką ewaluacji było macro-F1 - najlepszy model osiągnął wartość ok. 0,63 i 64% accuracy.

  
  

  Do inferencji przygotowano skrypt classify.py oraz notebooki z pełnym pipeline'em (przygotowanie danych, trening, testowanie). Na bazie modeli powstała aplikacja „Quiz Rapowy” (React + Vite) - pojedynek Człowiek vs AI, w którym użytkownik porównuje swój wynik z predykcjami obu modeli.

  
  

  W projekcie wykorzystano m.in. PyTorch, Hugging Face Transformers, PEFT, Unsloth i scikit-learn.

• 

  LM Chat - lokalny czat z modelami LLM

  W ramach projektu powstała wieloplatformowa aplikacja LM Chat we Flutterze do prowadzenia konwersacji z...

• 

  Model sztucznej inteligencji do klasyfikacji wypowiedzi

  W ramach projektu stworzony został model sztucznej inteligencji do binarnej klasyfikacji wypowiedzi w języku polskim - rozróżniania CLAIM (stwierdzeń wartych analizy fact-checkingowej) od NOT CLAIM (wypowiedzi, które nie są stwierdzeniami lub nie wymagają takiej weryfikacji).

  
  

  Jako zbiór danych wykorzystano ClaimBuster (Fatma Arslan et al., Zenodo 2020). Przetłumaczono 2 237 zdań z angielskiego na polski za pomocą DeepL API, a etykiety przekształcono na binarne. Dane podzielono na zbiór treningowy (80%) i testowy (20%) ze stratyfikacją.

  
  

  Model bazowy to SmolLM-1.7B. Na warstwy uwagi nałożono adapter LoRA. Trening przeprowadzono przez 10 epok z użyciem klasy Trainer z Hugging Face Transformers; główną metryką ewaluacji był F1-score.

  
  

  Do inferencji przygotowano skrypt infer.py - umożliwia klasyfikację pojedynczego zdania z linii poleceń lub uruchomienie na zestawie przykładowych zdań, z obsługą akceleracji GPU (CUDA / MPS). Pełny pipeline (pobieranie danych, tłumaczenie, trening, testowanie) opisano w notebooku projekt.ipynb.

  
  

  W projekcie wykorzystano m.in. PyTorch, Hugging Face Transformers, PEFT, Datasets, scikit-learn, pandas i numpy.