上线周期缩短上百倍！NLP流水线系统发布，10分钟搭建检索、问答等复杂系统
上线周期缩短上百倍！NLP流水线系统发布，10分钟搭建检索、问答等复杂系统
伴随着产业智能化升级的浪潮，企业对灵活可定制的智能NLP系统有着广泛需求。例如，保险公司希望通过智能客服平台向客户提供24小时问答服务，同时也想建设企业内搜平台向员工提供精准、高效的搜索服务。然而众多企业自建这些复杂系统所耗费的人力成本和时间成本巨大，成为产业智能化升级的 “拦路虎” 。
为了解决上述难题，PaddleNLP推出NLP流水线系统———PaddleNLP Pipelines，将各个NLP复杂系统的通用模块抽象封装为标准组件，支持开发者通过配置文件对标准组件进行组合，仅需几分钟即可定制化构建智能系统，让解决NLP任务像搭积木一样便捷、灵活、高效。同时，Pipelines中预置了前沿的预训练模型和算法，在研发效率、模型效果和性能方面提供多重保障。
本文将对Pipelines三大特色进行解读，全文约2.7k字，预计阅读时长1分半。
01
插拔式组件设计，灵活可扩展
企业的NLP系统需求多种多样，例如智能客服、智能检索、文档信息抽取、商品评论观点分析等，虽然这些系统的外在形态千差万别，但是从技术基础设施角度看：
NLP系统都可以抽象为由多个基础组件串接而成的流水线系统；
多个NLP流水线系统可共享使用相同的基础组件。
图1：通过增删基础组件实现多个复杂系统的迁移
如上图，举例来说：
- 语义检索系统可以抽象为文档解析、语义向量抽取、向量存储、召回、排序5个基础组件；
- 在此基础上，只需串接1个答案定位模型组件即可构成阅读理解式问答系统。
- 更进一步，在问答流水线的起点和终点分别加入ASR（语音转换文本）和TTS（文本转换语音）2个模型组件即可构成智能语音客服系统。
由以上示例可以看出，面向各种场景的NLP系统本质上都是由一些可复用的基础组件串接而成的流水线系统。基于此，Pipelines提出通过丰富、强大的基础组件灵活、快速地构建NLP全场景智能系统，主要包括以下四类重要组件。
图2：Pipelines基础组件示例
Pipelines 除深度兼容 PaddleNLP中的模型外，还可兼容飞桨生态下任意模型、AI 开放平台算子、其它开源项目如 Elasticsearch 等作为基础组件。用户可通过对基础组件进行扩展来满足个性化需求，从而实现任意复杂系统的灵活定制开发。
接下来，我们来看Pipelines中内置的各类SOTA模型。
02
飞桨SOTA模型，支持快速串联
Pipelines中集成PaddleNLP中丰富的预训练模型和领先技术。PaddleNLP中最新开源的多语言版跨模态布局增强文档预训练大模型文心ERNIE-Layout， 基于布局知识增强技术，融合文本、图像、布局等信息进行联合建模，能够对多模态文档（如文档图片、PDF 文件、扫描件等）进行深度理解与分析，刷新了五类11项文档智能任务效果，登顶DocVQA榜单，并成为榜单首个突破90分大关技术方案，为各类上层应用提供SOTA模型底座，非常实用。
图3：文档智能技术指标
通用信息抽取技术UIE，其多任务统一建模特性大幅降低了模型开发成本和部署的机器成本，基于Prompt的零样本抽取和少样本迁移能力更是惊艳！例如，在金融领域的事件抽取任务上，仅仅标注5条样本，F1值就提升了25个点！
表1：UIE在信息抽取数据集上零样本和小样本效果（F1-score）
面向检索、问答等任务，Pipelines预置了领先的召回模型和排序模型，依托国际领先的端到端问答技术RocketQA和首个人工标注的百万级问答数据集DuReader。
图4：RocketQA 问答技术领先
再来介绍一个今年火遍全网的中文跨模态生成模型文心ERNIE-ViLG，该模型首次通过自回归算法将图像生成和文本生成统一建模，增强模型的跨模态语义对齐能力，显著提升图文生成效果。现在可以通过调用ImageGenerationPipeline很方便得体验文心ERNIE-ViLG的强大能力了！
from pipelines import TextToImagePipeline
from pipelines.nodes import ErnieTextToImageGenerator
erine_image_generator =ErnieTextToImageGenerator(ak=args.api_key, sk=args.secret_key)
pipe = TextToImagePipeline(erine_image_generator)
prediction = pipe.run(
query=args.prompt_text,
params={
"TextToImageGenerator": {
"topk": args.topk,
"style": args.style,
"resolution": args.size,
"output_dir": args.output_dir
}
})除面向特定任务的模型外，Pipelines中还集成了多任务通用的预训练模型——文心ERNIE 3.0轻量级模型，这一系列模型刷新了中文小模型的SOTA成绩。
图5：ERNIE3.0 轻量级模型效果 SOTA
除小模型外，Pipelines中也可直接使用PaddleNLP中开源的24层模型ERNIE 1.0-Large-zh-CW，效果优于同等规模的RoBERTa-wwm-ext-large。
表2：ERNIE 1.0-Large-zh-CW和ERNIE 3.0-Xbase-zh效果领先
这些强大的NLP模型可以直接使用Pipelines的模型Node来调用，例如，使用下面的方式就可以使用效果突出的 RocketQA语义召回技术，是不是十分简单粗暴！
from pipelines.nodes import DensePassageRetriever
retriever = DensePassageRetriever(
document_store=document_store,
query_embedding_model=“rocketqa-zh-dureader-query-encoder”,
passage_embedding_model=“rocketqa-zh-dureader-query-encoder”,
max_seq_len_query=args.max_seq_len_query,
max_seq_len_passage=args.max_seq_len_passage,
batch_size=args.retriever_batch_size,
use_gpu=use_gpu,
embed_title=False
)03
一键部署端到端系统，超低门槛
为了进一步降低开发门槛，提供最优效果，Pipelines针对高频场景内置了产业级端到端系统。目前已开源语义检索、MRC（阅读理解）问答、FAQ问答、跨模态文档问答等多个应用，未来会持续丰富语音问答、舆情分析、文本分类等各类场景。
接下来，一起看看Pipelines内置的端到端系统有多强！下面以检索系统展开。
3.1 端到端全流程
Pipelines内置的语义检索系统包括文档解析（支持PDF、WORD、图片等解析）、海量文档建库、模型组网训练、服务化部署、前端Demo界面（便于效果分析）等全流程功能。
图6：检索系统流水线示意图
图7：检索系统前端Demo
3.2 效果领先速度快
该检索系统基于端到端问答技术RocketQA，该模型结合知识增强的预训练模型ERNIE 3.0和百万量级的人工标注数据集 DuReader训练得到，效果优异。该模型可以在Pipelines一键调用，大大降低问答系统模型建模成本。
表3：Pipelines检索系统精度（数据集：DuReaderretrieval）
性能方面，Pipelines直接集成Elasticsearch、Milvus等高性能ANN（近似最近邻）引擎，支持海量文本高效建库和相似查询。采用ERNIE 3.0轻量化模型，提升语义向量抽取速度，单个Query在CPU上的检索速度从2.2s缩减到了0.4s，内存占比进一步降低，适用于低资源环境。
3.3 低门槛一键部署
用户可以基于Docker采用如下命令默认一键部署端到端语义检索系统。
# 启动GPU容器
docker-compose -f docker-compose-gpu.yml up -d
在开源社区中我们看到，已经有多位开发者跟进到PaddleNLP Pipelines工作。来自建筑工程设计领域的电气工程师尹昊使用Pipelines，仅用1周时间就开发上线了建筑设计规范检索系统，支持网页端、小程序端、还以插件形式将检索系统内嵌到CAD制图软件中，满足设计师多场景下的检索需求，投入使用后倍受好评。
图8：开发者作品 基于Pipelines的建筑设计规范检索系统——寻规
小编找PaddleNLP内部人士了解到，Pipelines下一步将向以下两个方向扩展，对学术研究和工业应用都非常友好。
- 预置更丰富的基础组件库 例如支持飞桨语音模型库PaddleSpeech的PP-TTS和PP-ASR各类语音模型串联；支持PaddleNLP通用信息抽取UIE、文本分类等NLP组件直接调用。
- 预置更多流水线系统 例如预置多模态信息抽取系统、智能语音指令系统等。