Update README.md

README.md

@@ -11,23 +11,18 @@ license: apache-2.0
 <h1>Neler yaptık? </h1>
 <h2>Adres Tanıma </h2>
 </p>Etiketli veriden NER modeli eğittik, en iyi bunlar çalışıyor: <a href="https://huggingface.co/deprem-ml/deprem-ner">deprem-ner</a> ve <a href="https://huggingface.co/deprem-ml/deprem-ner-mdebertav3">deprem-ner-mdebertav3</a><br>
-Bu model pipeline'da openAI davinci'nin yükünü hafifletiyor. 
 <br>
-Şu modelleri benchmark ettik 👇 <br>
+Şu modelleri zero-shot benchmark ettik, son modeli kendimiz eğittik 👇 <br>
 - convbert-base-turkish-ner (xlm-roberta-turkish-ner'le birebir çalışıyor)<br>
 - xlm_roberta_large_df <br>
-- xlm-roberta-turkish-ner (iyi çalışıyor ama iyisi bulunabilir, LOC döndürüyor sadece)<br>
+- xlm-roberta-turkish-ner <br>
 - <a href="https://huggingface.co/deprem-ml/deprem-ner">deprem-ner</a> ve <a href="https://huggingface.co/deprem-ml/deprem-ner-mdebertav3">deprem-ner-mdebertav3</a> modellerimiz en iyi ve en spesifik location tag'lerini döndürüyor.
 <br>
-Benchmark'ları şu dataset'te görebilirsiniz: <a href="https://huggingface.co/datasets/deprem-ml/butun_model_benchmarklari">deprem-ml/butun_model_benchmarklari</a> <br>
-Benchmark ettiğimiz notebook'u <a href="https://colab.research.google.com/drive/1NxQe-EPjF0Sckf54ZqOKkDP7HlpBkk8P?usp=sharing">burada</a> bulabilirsiniz.
 </p>
 <h2> Intent Classification </h2>
 <p>
-- Pipeline'da zero-shot Türkçe metin sınıflandırma kullanıyoruz: emrecan/convbert-base-turkish-mc4-cased-allnli_tr
+- Etiketli veride insanların ihtiyaçlarını tahmin eden modeller eğittik, benchmark'ları leaderboard'larda ve model repository'leri bu organizasyonda bulabilirsiniz. v12 ve v13 arasındaki fark data drift ve ihtiyaca göre değişen label'lar.
 <br>
-- Candidate label'ları belirlemek için clustering modeli eğitildi, embedding'ler <a href="https://huggingface.co/deprem-ml/distilroberta-tweet-clustering-embeddings">burada</a><br>.
-- Dockerized FastAPI based pipeline: https://github.com/acikkaynak/depremadres-intent-classification-v0
 </p>
 <h2>OCR</h2>
 <p> OCR için <a href="https://github.com/JaidedAI/EasyOCR">EasyOCR</a> kullandık. Space OCR'ın çıktısını davinci'ye veriyor, sonraki adımda NER'i swap edeceğiz. Bu Space'i iki türlü kullanabilirsiniz:<br>
@@ -37,12 +32,13 @@ Benchmark ettiğimiz notebook'u <a href="https://colab.research.google.com/drive
   -Tesseract OCR <br>
   -MMOCR<br>
   -docTR<br>
-  -PaddleOCR
-  <br><br>
+  -PaddleOCR<br>
+  Adres tanıma için kendi eğittimiz adres tanıma modelini kullanıyoruz.
+  <br>
   Space'e PR açabilirsiniz. Space'e PR açmadan önce: <br>
 - Sağ üstteki üç noktadan "Duplicate this Space" seçeneğini seçerek Space'i çiftleyin.<br>
 - Değişikliklerinizi kendi fork'unuzda yapıp ardından ana Space'e PR açın. PR açarken lütfen kendi Space'inizin linkini açıklamaya ekleyin.<br>
 - Dependency eklememeye çalışın.<br>
 
-**GPU inference desteği için Hugging Face ekibine, API key için microsoft'a ve labelling desteği için AWS'e sonsuz teşekkürlerimizi sunarız.**
+**GPU inference desteği için Hugging Face ekibine, labelling desteği için microsoft'a ve AWS'e sonsuz teşekkürlerimizi sunarız.**
 </p>