Fiche Modèle pour Mistral-Finance-Finetuned

Ce modèle est une version "fine-tunée" (spécialisée) de Mistral-7B-Instruct-v0.1. Il est expert en Analyse de Sentiment Financier. Il est capable de classer des phrases issues de l'actualité financière en trois catégories : Positive, Negative, ou Neutral.

Détails du Modèle

Description

Ce modèle a été entraîné en utilisant la méthode QLoRA (Quantization + Low-Rank Adaptation) pour adapter le modèle généraliste Mistral 7B au domaine spécifique de la finance. Il a été entraîné sur le jeu de données Financial PhraseBank, spécifiquement sur la partie où 100% des experts humains étaient d'accord sur le sentiment.

• Développé par : TCHATCHOUA
• Type de modèle : Causal Language Model (LLM)
• Langue(s) : Anglais (Dataset et Instructions)
• Licence : Apache-2.0
• Modèle de base : mistralai/Mistral-7B-Instruct-v0.1

Sources

• Dataset : Financial PhraseBank (sentences_allagree)

Utilisation

Usage Direct

Le modèle est conçu pour analyser de courts textes financiers (titres de presse, extraits de rapports) et en déduire le sentiment.

Exemple d'entrée :

"Operating profit rose to EUR 10 million from EUR 5 million."

Exemple de sortie :

"Positive"

Limites et Usage hors-périmètre

• Ce modèle N'EST PAS un conseiller financier. Il ne doit pas être utilisé pour prendre des décisions d'investissement réelles.
• Il n'est pas conçu pour générer de longs rapports financiers, mais uniquement pour de l'analyse (classification).

Comment utiliser le modèle (Code Python)

Vous pouvez utiliser le code ci-dessous pour charger le modèle et lancer une analyse :

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig
from peft import PeftModel

# 1. Charger le modèle de base (Mistral 7B)
base_model_id = "mistralai/Mistral-7B-Instruct-v0.1"
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.float16,
    bnb_4bit_use_double_quant=True,
)

base_model = AutoModelForCausalLM.from_pretrained(
    base_model_id,
    quantization_config=bnb_config,
    device_map="auto"
)

# 2. Charger l'adaptateur Fine-Tuné
# Remplacez 'TCHATCHOUA' par votre nom d'utilisateur HF si nécessaire
adapter_model_id = "TCHATCHOUA/mistral-finance-finetuned"
model = PeftModel.from_pretrained(base_model, adapter_model_id)

tokenizer = AutoTokenizer.from_pretrained(base_model_id)

# 3. Fonction de prédiction
def predict_sentiment(text):
    # Le prompt doit rester en anglais car le modèle a appris ainsi
    prompt = f"### Instruction: Analyze the sentiment of the following financial sentence.\n### Input: {text}\n### Response:"
    inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
    
    with torch.no_grad():
        outputs = model.generate(**inputs, max_new_tokens=5, pad_token_id=tokenizer.eos_token_id)
    
    result = tokenizer.decode(outputs[0], skip_special_tokens=True)
    return result.split("### Response:")[-1].strip()

# Test
print(predict_sentiment("The company reported a decrease in revenue."))
# Résultat attendu : Negative