MLOps: OpenVino Quantized Model para Detección de Errores Tipográficos

MLOps: OpenVino Quantized Model para Detección de Errores Tipográficos

Explora cómo construir un modelo de detección de errores tipográficos utilizando un modelo Distilbert como base y clasificación de tokens en este tutorial de 21 minutos. Aprende a personalizar el modelo con el dataset neuspell, convertirlo al formato IR de OpenVino y realizar inferencia en la CPU. Sigue paso a paso el proceso de desarrollo del modelo, desde la preparación de datos hasta la implementación final, utilizando técnicas de MLOps y cuantización para optimizar el rendimiento. Accede al notebook proporcionado en GitHub para una experiencia práctica en la creación de un detector de errores tipográficos eficiente y escalable.