alimar440/Projet-WolBanking77

Développement d' un système capable de comprendre des requêtes financières en wolof est un vrai levier pour l'inclusion bancaire et les services clients locaux. # WolBanking77 Classification de 77 intentions bancaires en langue wolof, avec comparaison entre une baseline de machine learning et un Transformer multilingue. ## Donnees Les fichiers sont attendus sous `data/` : - `5k_split/train/train.csv` et `5k_split/test/test.csv` : 4 000 / 1 000 exemples. - `full/train/train.csv` et `full/test/test.csv` : 7 832 / 1 959 exemples. Les notebooks utilisent la colonne `input_wo` comme texte et `label` comme cible. Pour changer de jeu de donnees, modifier `DATASET = "5k_split"` dans les notebooks. ## Execution dans Google Colab Le notebook unique est `notebooks/WolBanking77_Colab.ipynb`. Il clone le projet depuis GitHub dans Colab, puis monte Google Drive pour sauvegarder les checkpoints, rapports et figures dans `MyDrive/WolBanking77_runs`. 1. Poussez ce projet, y compris les donnees, dans votre depot GitHub. 2. Ouvrez le notebook dans Colab et renseignez `GITHUB_REPOSITORY_URL`. 3. Activez un GPU Colab avant l'entrainement Transformer. 4. Executez les cellules de haut en bas. Le meilleur checkpoint est sauvegarde dans Drive apres chaque amelioration du macro-F1 de validation. La documentation detaillee est dans `docs/GUIDE_COLAB.md`. ## Mesures retenues - Accuracy : performance globale. - Macro F1 : moyenne des F1 par intention, adaptee aux eventuels desequilibres. - Rapport de classification et matrice de confusion : analyse des intentions confondues.