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2千字，预计阅读时长1分半。

 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：
（1）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；（2）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；（3）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。
⬇️戳官方地址，查看详情：https://github.com/PaddlePaddle/PaddleNLP/tree/develop/pipelines
 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，例如文心 ERNIE 3.0轻量级模型，刷新中文小模型的 SOTA 成绩。
图3：ERNIE 3.0轻量级模型效果 SOTA
除小模型外，Pipelines 中也可直接使用 PaddleNLP 近期开源的24层模型 ERNIE 1.0-Large-zh-CW，效果优于同等规模的 RoBERTa-wwm-ext-large。
表1：ERNIE 1.0-Large-zh-CW 和 ERNIE 3.0-Xbase-zh 效果领先
除多任务通用的预训练模型外，Pipelines 中还集成了面向特定任务的模型，如通用信息抽取技术 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2：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
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！

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
            )

 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3大系统，未来会持续丰富语音问答、多模态信息抽取、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。
▎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5：检索系统流水线示意图
图6：检索系统前端 Demo
▎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：DuReader_retrieval）
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。
▎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 Pipelines 功能建设期间，已经有多位开发者跟进到该项工作。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7：开发者作品基于 Pipelines 的建筑设计规范检索系统——寻规（https://xungui365.com/）
Pipelines 下一步将向以下两个方向扩展：
🌟 预置更丰富的基础组件库

• 支持跨模态通用文档预训练模型 ERNIE-Layout 的调用，支持图片、文档的解析；
• 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

• 多模态信息抽取系统；
• 跨模态智能文档问答系统；
• 智能语音指令系统系统。

欢迎来自学术界和工业界的朋友加入 PaddleNLP Pipelines 开源项目，扩展新的组件，或者定制自己的 NLP 流水线系统。欢迎各位提需，加入社区讨论。
⬇️STAR 收藏，及时跟踪最新发布：https://github.com/PaddlePaddle/PaddleNLP
 线上私享会 
为了充分和开发者交流产品使用中遇到的难题，共同进步，PaddleNLP 核心开发成员将和大家线上交流，针对性讨论大家遇到的问题和需求。欢迎各位扫码进群，获取线上会议链接！限定200席，报满为止。报名还可获得：

• PaddleNLP Piplines 直播课链接；
• PaddleNLP 团队整理的 10G 重磅 NLP 学习大礼包。

▎入群方式
微信扫描下方二维码，关注公众号，填写问卷后进入微信群，查看群公告领取福利。

▎PaddleNLP 项目地址
🌟 GitHub:https://github.com/PaddlePaddle/PaddleNLP🌟 Gitee:https://gitee.com/paddlepaddle/PaddleNLP