地震发生几个小时后，一群程序员启动了一个 Discord 服务，推出了一个名为 afetharita 的应用程序，字面意思是 灾难地图。该应用程序将为搜救队和志愿者提供服务，以寻找幸存者并为他们提供帮助。当幸存者在社交媒体上发布带有他们的地址和他们需要的东西 (包括救援 的文本截图时，就需要这样一个应用程序。一些幸存者还在发布了他们需要的东西，这样他们的亲属就知道他们还活着并且需要救援。需要从这些推文中提取信息，我们开发了各种应用程序将它们转化为结构化数据，并争分夺秒的开发和部署这些应用程序。
easyocrOCR 部分和 Gradio 为此应用程序构建界面。我们还被要求为 OCR 构建一个独立的应用程序，因此我们从界面打开了接口。使用基于 transformer 的微调 NER 模型解析 OCR 的文本输出。
后来，我们从各种渠道 (例如 Twitter、Discord 获得了带有标签的内容，其中包括幸存者求救电话的原始推文，以及从中提取的地址和个人信息。我们开始尝试使用闭源模型的少量提示和微调来自 transformers 的我们自己的 token 分类模型。我们使用 bert-base-turkish-cased 作为 token 分类的基础模型，并提出了第一个地址提取模型。
最后，我们决定微调我们自己的模型，在单个 GPU 上微调 BERT 的文本分类头大约需要三分钟。我们进行了标记工作来开发数据集去训练该模型。我们在模型卡的元数据中记录了我们的实验，这样我们以后就可以出一个 leaderboard 来跟踪应该将哪个模型部署到生产环境中。对于基本模型，我们尝试了 bert-base-turkish-uncased 和 bert-base-turkish-128k-cased 并发现它们的性能优于 bert-base-turkish-cased 。你可以在 下面的链接 找到我们的 leaderboard。
deprem-clf-v1 到所有相关模型存储库中，并使用此标签自动检索记录的 F1 和召回分数以及模型排名。我们有一个单独的基准测试集，以避免泄漏到训练集，并始终如一地对我们的模型进行基准测试。我们还对每个模型进行了基准测试，以确定每个标签的最佳部署阈值。
Argilla 和 Gradio 搭建了一个标注界面，人们可以输入一条推文，并将输出标记为正确/不正确/模糊。
机器学习团队中的另一个小组使用生成模型 (通过门控 API 来获取特定需求 (因为标签过于宽泛 的自由文本，并将文本作为每个帖子的附加上下文传递。为此，他们进行了提示工程，并将 API 接口包装为单独的 API，并将它们部署在云端。我们发现，使用 LLM 的少样本提示有助于在快速发展的数据漂移存在的情况下适应细粒度的需求，因为我们需要调整的唯一的东西是提示，而且我们不需要任何标记的数据。
遥感应用
其他团队致力于遥感应用，以评估建筑物和基础设施的损坏情况，以指导搜索和救援行动。地震发生后的最初 48 小时内，电力和移动网络都没有稳定，再加上道路倒塌，这使得评估损坏程度和需要帮助的地方变得极其困难。由于通讯和运输困难，搜救行动也因建筑物倒塌和损坏的虚假报告而受到严重影响。
无损伤、被摧毁、受损、受损设施 和 未受损设施 标签。我们当前的目标是发布一个广泛的开源数据集，以便在未来加快全球的搜救行动。
总结
我们感谢 Hugging Face 社区发布这些模型和数据集，以及 Hugging Face 团队提供的基础架构和 MLOps 支持。
作者: Merve Noyan、Alara Dirik
审校: zhongdongy (阿东