Upload README.md with huggingface_hub

README.md

@@ -1,19 +1,107 @@
 ---
-dataset_info:
-  features:
-  - name: instruction
-    dtype: string
-  - name: input
-    dtype: string
-  - name: output
-    dtype: string
-  splits:
-  - name: train
-    num_bytes: 6985333
-    num_examples: 8596
-  download_size: 2615839
-  dataset_size: 6985333
+license: apache-2.0
+language:
+- fr
+multilinguality:
+- monolingual
+tags:
+- finetuning
+- legal
+- french law
+- droit français
+- Code des transports
+source_datasets:
+- original
+pretty_name: Code des transports
+task_categories:
+- text-generation
+- table-question-answering
+- summarization
+- conversational
+size_categories:
+- 1K<n<10K
 ---
-# Dataset Card for "code-transports"
+# Code des transports, non-instruct (11-12-2023)
 
-[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)
+This project focuses on fine-tuning pre-trained language models to create efficient and accurate models for legal practice. 
+
+Fine-tuning is the process of adapting a pre-trained model to perform specific tasks or cater to particular domains. It involves adjusting the model's parameters through a further round of training on task-specific or domain-specific data. While conventional fine-tuning strategies involve supervised learning with labeled data, instruction-based fine-tuning introduces a more structured and interpretable approach.
+
+Instruction-based fine-tuning leverages the power of human-provided instructions to guide the model's behavior. These instructions can be in the form of text prompts, prompts with explicit task descriptions, or a combination of both. This approach allows for a more controlled and context-aware interaction with the LLM, making it adaptable to a multitude of specialized tasks.
+
+Instruction-based fine-tuning significantly enhances the performance of LLMs in the following ways:
+
+- Task-Specific Adaptation: LLMs, when fine-tuned with specific instructions, exhibit remarkable adaptability to diverse tasks. They can switch seamlessly between translation, summarization, and question-answering, guided by the provided instructions.
+- Reduced Ambiguity: Traditional LLMs might generate ambiguous or contextually inappropriate responses. Instruction-based fine-tuning allows for a clearer and more context-aware generation, reducing the likelihood of nonsensical outputs.
+- Efficient Knowledge Transfer: Instructions can encapsulate domain-specific knowledge, enabling LLMs to benefit from expert guidance. This knowledge transfer is particularly valuable in fields like tax practice, law, medicine, and more.
+- Interpretability: Instruction-based fine-tuning also makes LLM behavior more interpretable. Since the instructions are human-readable, it becomes easier to understand and control model outputs.
+- Adaptive Behavior: LLMs, post instruction-based fine-tuning, exhibit adaptive behavior that is responsive to both explicit task descriptions and implicit cues within the provided text.
+
+## Dataset generation
+
+This JSON file is a list of dictionaries, each dictionary contains the following fields:
+
+- `instruction`: `string`, presenting the instruction linked to the element.
+- `input`: `string`, signifying the input details for the element.
+- `output`: `string`, indicating the output information for the element.
+
+We used the following list of instructions for generating the dataset:
+```python
+instructions = [
+    "Compose l'intégralité de l'article sous forme écrite.",
+    "Écris la totalité du contenu de l'article.",
+    "Formule la totalité du texte présent dans l'article.",
+    "Produis l'intégralité de l'article en écriture.",
+    "Développe l'article dans son ensemble par écrit.",
+    "Génère l'ensemble du texte contenu dans l'article.",
+    "Formule le contenu intégral de l'article en entier.",
+    "Rédige la totalité du texte de l'article en entier.",
+    "Compose l'intégralité du contenu textuel de l'article.",
+    "Rédige l'ensemble du texte qui constitue l'article.",
+    "Formule l'article entier dans son contenu écrit.",
+    "Composez l'intégralité de l'article sous forme écrite.",
+    "Écrivez la totalité du contenu de l'article.",
+    "Formulez la totalité du texte présent dans l'article.",
+    "Développez l'article dans son ensemble par écrit.",
+    "Générez l'ensemble du texte contenu dans l'article.",
+    "Formulez le contenu intégral de l'article en entier.",
+    "Rédigez la totalité du texte de l'article en entier.",
+    "Composez l'intégralité du contenu textuel de l'article.",
+    "Écrivez l'article dans son intégralité en termes de texte.",
+    "Rédigez l'ensemble du texte qui constitue l'article.",
+    "Formulez l'article entier dans son contenu écrit.",
+    "Composer l'intégralité de l'article sous forme écrite.",
+    "Écrire la totalité du contenu de l'article.",
+    "Formuler la totalité du texte présent dans l'article.",
+    "Produire l'intégralité de l'article en écriture.",
+    "Développer l'article dans son ensemble par écrit.",
+    "Générer l'ensemble du texte contenu dans l'article.",
+    "Formuler le contenu intégral de l'article en entier.",
+    "Rédiger la totalité du texte de l'article en entier.",
+    "Composer l'intégralité du contenu textuel de l'article.",
+    "Rédiger l'ensemble du texte qui constitue l'article.",
+    "Formuler l'article entier dans son contenu écrit.",
+    "Quelles sont les dispositions de l'article ?",
+    "Quelles dispositions sont incluses dans l'article ?",
+    "Quelles sont les dispositions énoncées dans l'article ?",
+    "Quel est le texte intégral de l'article ?",
+    "Quelle est la lettre de l'article ?"
+]
+```
+
+## Citing this project
+
+If you use this code in your research, please use the following BibTeX entry.
+
+```BibTeX
+@misc{louisbrulenaudet2023,
+  author =       {Louis Brulé Naudet},
+  title =        {Code des transports, non-instruct (11-12-2023)},
+  howpublished = {\url{https://huggingface.co/datasets/louisbrulenaudet/code-transports}},
+  year =         {2023}
+}
+```
+
+## Feedback
+
+If you have any feedback, please reach out at [louisbrulenaudet@icloud.com](mailto:louisbrulenaudet@icloud.com).