Update README.md

README.md

@@ -1,347 +1,347 @@
----
-language: fr
-license: mit
-tags:
-- token-classification
-- named-entity-recognition
-- french
-- camembert
-- distillation
-- pruning
-- fp16
-- medical
-- social-work
-base_model: Jean-Baptiste/camembert-ner
-datasets:
-- custom-medical-social-corpus
-metrics:
-- f1
-- precision
-- recall
-model-index:
-- name: CamemBERT-NER-Distilled-Pruned-FP16
-  results:
-  - task:
-      type: token-classification
-      name: Named Entity Recognition
-    metrics:
-    - name: F1
-      type: f1
-      value: 0.859
-    - name: Precision
-      type: precision
-      value: 0.861
-    - name: Recall
-      type: recall
-      value: 0.858
----
-
-# CamemBERT-NER Distilled + Pruned + FP16
-
-**Modèle optimisé pour la reconnaissance d'entités nommées (NER) dans les rapports sociaux français**
-
-[![License](https://img.shields.io/badge/License-MIT-blue.svg)](https://opensource.org/licenses/MIT)
-[![Model](https://img.shields.io/badge/Model-CamemBERT-green.svg)](https://huggingface.co/camembert-base)
-
-## 📋 Description
-
-Ce modèle est une version optimisée triple de CamemBERT pour la reconnaissance d'entités nommées (NER) dans le domaine du travail social français. Il combine :
-
-1. **Distillation** : 11 couches (vs 12 du teacher) = -8.3% paramètres
-2. **Pruning non-structurel** : 20% magnitude-based = 15.14% sparsity effective
-3. **Quantization FP16** : Half-precision = -50% taille mémoire
-
-### 🎯 Objectifs
-
-- **Taille réduite** : 196 MB (vs 210 MB baseline, vs 420 MB FP32 original)
-- **Vitesse accrue** : ~15-20% plus rapide (distillation + FP16)
-- **Performance maintenue** : F1 85.9% (seuil acceptable >85%)
-- **Mémoire optimisée** : -50% RAM avec FP16
-
-### 📊 Résultats d'évaluation
-
-**Test set** : 447 entités gold standard
-
-| Métrique | Score | vs Baseline (FP16 Teacher 12L) |
-|----------|-------|--------------------------------|
-| **F1 Score** | **85.9%** | -1.3% (87.3% → 85.9%) |
-| **Precision** | **86.1%** | -2.2% (88.2% → 86.1%) |
-| **Recall** | **85.8%** | -0.5% (86.3% → 85.8%) |
-| **Weighted Score** | **96.4%** | -0.2% (96.6% → 96.4%) |
-| **False Positives** | 64 | +11 (53 → 64) |
-| **Missed Entities** | 52 | +2 (50 → 52) |
-
-**✅ Trade-off accepté** : -1.3% F1 pour -6.7% taille + ~15-20% vitesse
-
-### 🏷️ Catégories d'entités détectées
-
-Le modèle de base détecte **4 catégories principales** :
-
-- **PER** (Person) : Personnes, noms, prénoms
-- **LOC** (Location) : Lieux, villes, pays, régions  
-- **ORG** (Organization) : Organisations, entreprises, institutions
-- **MISC** (Miscellaneous) : Entités diverses (dates, événements, etc.)
-
-> **Note** : Ce modèle est le composant NER de base du pipeline LaPlume. Les catégories fines (39 types spécialisés comme `ETAB_MECS`, `ID_RSA`, `LOC_CITY`, etc.) sont ajoutées par les post-traitements du pipeline complet (règles regex, gazetteers, reclassification).
-
-### 🎯 Cas d'usage
-
-Ce modèle est optimisé pour :
-- **Rapports sociaux** : évaluations, suivis, comptes-rendus
-- **Documents médico-sociaux** : dossiers patients, orientations
-- **Anonymisation** : détection d'entités pour pseudonymisation
-- **Environnements contraints** : serveurs avec RAM limitée, déploiement edge
-- `ETAB_MAS`, `ETAB_FAM`, `ETAB_ESAT`, `ETAB_SAVS`, `ETAB_SAMSAH` : Handicap adulte
-- `ETAB_CHRS` : Hébergement d'urgence
-- `ETAB_CMS` : Centres médico-sociaux
-- `ETAB_SCOLAIRE` : Établissements scolaires
-- etc. (voir documentation complète)
-
-## 🔧 Architecture technique
-
-### Modèle de base
-
-- **Base** : CamemBERT (RoBERTa français)
-- **Vocabulary** : 32,000 tokens (SentencePiece BPE)
-- **Hidden size** : 768
-- **Attention heads** : 12
-- **Layers** : **11** (distilled from 12-layer teacher)
-
-### Optimisations appliquées
-
-#### 1. Knowledge Distillation (11 layers)
-
-```python
-Teacher: camembert-ner (12 layers, F1 87.3%)
-Student: 11 layers, distilled with temperature=2.0
-Loss: α * CE_loss + (1-α) * KD_loss
-Result: F1 81.25% on training → 85.9% final
-```
-
-#### 2. Magnitude-based Pruning (20%)
-
-```python
-Target: 20% sparsity (magnitude-based)
-Effective: 15.14% (15.6M params zeroed / 102.9M total)
-Method: Iterative pruning during distillation
-```
-
-#### 3. FP16 Quantization
-
-```python
-Conversion: torch.float32 → torch.float16
-Size reduction: 392.71 MB → 196.36 MB (-50.0%)
-Quality impact: Minimal (<0.1% F1 degradation)
-```
-
-### 📦 Spécifications
-
-- **Paramètres totaux** : 102,947,333
-- **Paramètres non-zéro** : 87,350,000 (~85%)
-- **Taille mémoire** : 196.36 MB (FP16)
-- **Temps d'inférence** : ~15-20% plus rapide que baseline
-- **Compatibilité** : Transformers ≥ 4.30.0, PyTorch ≥ 2.0.0
-
-## 🚀 Usage
-
-### Dataset d'entraînement
-
-Le modèle student distillé a été entraîné sur **50 000 phrases** provenant de trois sources complémentaires :
-
-1. **Contexte m��dico-social français** :
-   - Rapports sociaux fictifs mais réalistes (générés pour l'entraînement)
-   - Rapports publics sur l'organisation médico-sociale et bonnes pratiques
-2. **Narratif littéraire** : Grands romans français du XXe siècle (dialogues, descriptions de personnages)
-3. **Articles Wikipedia français** : Contenu encyclopédique général
-
-Cette diversité de sources permet une bonne généralisation tout en conservant une spécialisation pour le domaine médico-social, **sans utiliser de données confidentielles réelles**.
-
-### Installation
-
-```bash
-pip install transformers torch
-```
-
-### Chargement du modèle
-
-```python
-from transformers import AutoTokenizer, AutoModelForTokenClassification
-import torch
-
-# Charger le modèle et le tokenizer
-model_name = "jmdanto/titibongbong_camemBERT_NER"
-tokenizer = AutoTokenizer.from_pretrained(model_name)
-model = AutoModelForTokenClassification.from_pretrained(
-    model_name,
-    torch_dtype=torch.float16  # Force FP16 pour bénéficier des optimisations
-)
-
-# Exemple d'inférence
-text = "Marie Dupont habite à Paris et travaille à l'Hôpital Sainte-Anne."
-inputs = tokenizer(text, return_tensors="pt")
-
-with torch.no_grad():
-    outputs = model(**inputs)
-    predictions = torch.argmax(outputs.logits, dim=-1)
-
-# Décoder les prédictions
-tokens = tokenizer.convert_ids_to_tokens(inputs["input_ids"][0])
-labels = [model.config.id2label[p.item()] for p in predictions[0]]
-
-for token, label in zip(tokens, labels):
-    if label != "O":
-        print(f"{token}: {label}")
-
-# Résultat attendu :
-# Marie: B-PER
-# Dupont: I-PER
-# Paris: B-LOC
-# Hôpital: B-ORG
-# Sainte: I-ORG
-# -: I-ORG
-# Anne: I-ORG
-```
-
-### Pipeline complet avec post-traitement
-
-```python
-from transformers import pipeline
-
-# Créer le pipeline NER
-ner_pipeline = pipeline(
-    "ner",
-    model=model_name,
-    tokenizer=model_name,
-    aggregation_strategy="simple",  # Fusionne les sous-tokens
-    device=0 if torch.cuda.is_available() else -1
-)
-
-# Analyser un texte
-text = """
-Rapport social concernant M. Bernard Martin, 
-domicilié au 23 rue de la Paix, 69000 Lyon.
-Suivi par le Centre Médico-Social de Lyon-Confluence.
-"""
-
-entities = ner_pipeline(text)
-
-for entity in entities:
-    print(f"{entity['entity_group']}: {entity['word']} (score: {entity['score']:.2f})")
-
-# Résultat attendu :
-# PER: Bernard Martin (score: 0.99)
-# LOC: rue de la Paix (score: 0.95)
-# LOC: Lyon (score: 0.98)
-# ORG: Centre Médico-Social de Lyon-Confluence (score: 0.92)
-```
-
-## 📈 Benchmarks
-
-### Comparaison des modèles
-
-| Modèle | Taille | F1 | Précision | Rappel | FP | Manqués |
-|--------|--------|----|-----------  |--------|-------|---------|
-| **Baseline FP16** (Teacher 12L) | 210 MB | 87.3% | 88.2% | 86.3% | 53 | 50 |
-| **Distilled FP32** (Student 11L) | 393 MB | 85.8% | 85.9% | 85.8% | 65 | 52 |
-| **Distilled FP16** (Ce modèle) | **196 MB** | **85.9%** | **86.1%** | **85.8%** | **64** | **52** |
-
-**Trade-offs** :
-- ✅ **Taille** : -6.7% vs baseline, meilleure efficacité
-- ✅ **Vitesse** : ~15-20% plus rapide (distillation + FP16)
-- ⚠️ **Qualité** : -1.3% F1 (acceptable, >85% seuil requis)
-
-### Performance par criticité
-
-| Criticité | Rappel | Précision | F1 | Entités |
-|-----------|--------|-----------|----|----|
-| **CRIT** (NIR, etc.) | 96.8% | 100% | 98.4% | 19 |
-| **HIGH** (PER, ID) | 93.0% | 95.7% | 94.4% | 176 |
-| **MED** (ORG, ETAB) | 81.4% | 77.4% | 79.3% | 199 |
-| **LOW** (LOC, DATE) | 69.4% | 74.5% | 71.9% | 49 |
-
-**✅ Points forts** :
-- Excellente détection des données critiques (NIR, identifiants)
-- Précision élevée sur les personnes
-- Bon équilibre précision/rappel global
-
-## 🎓 Entraînement
-
-### Dataset
-
-- **Domaine** : Rapports sociaux français (ASE, RSA, handicap, hébergement)
-- **Taille** : 10 fichiers d'entraînement annotés manuellement
-- **Annotations** : Format IOB2 avec 39 catégories d'entités
-- **Augmentation** : Gazetteers spécialisés (FINESS, prénoms, associations)
-
-### Hyperparamètres
-
-```yaml
-# Distillation
-teacher: camembert-ner-12layers-fp16
-student_layers: 11
-temperature: 2.0
-alpha: 0.5
-
-# Pruning
-method: magnitude_based
-target_sparsity: 0.20
-effective_sparsity: 0.1514
-
-# Training
-learning_rate: 2e-5
-batch_size: 16
-epochs: 10
-optimizer: AdamW
-warmup_ratio: 0.1
-
-# Quantization
-dtype: float16
-method: torch.half()
-```
-
-## ⚠️ Limitations
-
-1. **Domaine spécialisé** : Optimisé pour les rapports sociaux français, performances moindres sur d'autres domaines
-2. **Trade-off qualité** : -1.3% F1 vs baseline pour gain taille/vitesse
-3. **Faux positifs** : +11 FP vs baseline (64 vs 53), vérification recommandée
-4. **Entités rares** : Performance réduite sur catégories peu fréquentes (LOC, DATE)
-5. **Hardware** : FP16 nécessite GPU compatible (Pascal+) ou CPU moderne
-
-## 📄 Licence
-
-Apache 2.0
-
-## 🤝 Citation
-
-```bibtex
-@model{camembert-ner-distilled-pruned-fp16,
-  title={CamemBERT-NER Distilled + Pruned + FP16},
-  author={Danto, Patrick},
-  year={2024},
-  publisher={HuggingFace},
-  url={https://huggingface.co/jmdanto/titibongbong_camemBERT_NER}
-}
-
-@model{camembert-ner-teacher,
-  title={CamemBERT-NER: Fine-tuned CamemBERT for NER task},
-  author={Pollé, Jean-Baptiste},
-  year={2020},
-  publisher={HuggingFace},
-  url={https://huggingface.co/Jean-Baptiste/camembert-ner}
-}
-```
-
-## 📞 Contact
-
-- **Email** : patrick.danto@outlook.fr
-
-## 🔄 Versions
-
-- **v1.0** (Nov 2024) : Version initiale distillée + prunée + FP16
-  - 11 layers, 20% pruning, FP16 quantization
-  - F1: 85.9%, Size: 196 MB
-  - Évalué sur 447 entités gold standard
-
----
-
-**Note** : Ce modèle fait partie du projet **La Plume**, un pipeline de pseudonymisation pour documents médico-sociaux français. Le pipeline complet est un projet privé protégé au titre de la propriété intellectuelle, mais ce modèle est publié sous licence MIT.
+---
+language: fr
+license: mit
+tags:
+- token-classification
+- named-entity-recognition
+- french
+- camembert
+- distillation
+- pruning
+- fp16
+- medical
+- social-work
+base_model: Jean-Baptiste/camembert-ner
+datasets:
+- custom-medical-social-corpus
+metrics:
+- f1
+- precision
+- recall
+model-index:
+- name: CamemBERT-NER-Distilled-Pruned-FP16
+  results:
+  - task:
+      type: token-classification
+      name: Named Entity Recognition
+    metrics:
+    - name: F1
+      type: f1
+      value: 0.859
+    - name: Precision
+      type: precision
+      value: 0.861
+    - name: Recall
+      type: recall
+      value: 0.858
+---
+
+# CamemBERT-NER Distilled + Pruned + FP16
+
+**Modèle optimisé pour la reconnaissance d'entités nommées (NER) dans les rapports sociaux français**
+
+[![License](https://img.shields.io/badge/License-MIT-blue.svg)](https://opensource.org/licenses/MIT)
+[![Model](https://img.shields.io/badge/Model-CamemBERT-green.svg)](https://huggingface.co/camembert-base)
+
+## 📋 Description
+
+Ce modèle est une version optimisée triple de CamemBERT pour la reconnaissance d'entités nommées (NER) dans le domaine du travail social français. Il combine :
+
+1. **Distillation** : 11 couches (vs 12 du teacher) = -8.3% paramètres
+2. **Pruning non-structurel** : 20% magnitude-based = 15.14% sparsity effective
+3. **Quantization FP16** : Half-precision = -50% taille mémoire
+
+### 🎯 Objectifs
+
+- **Taille réduite** : 196 MB (vs 210 MB baseline, vs 420 MB FP32 original)
+- **Vitesse accrue** : ~15-20% plus rapide (distillation + FP16)
+- **Performance maintenue** : F1 85.9% (seuil acceptable >85%)
+- **Mémoire optimisée** : -50% RAM avec FP16
+
+### 📊 Résultats d'évaluation
+
+**Test set** : 447 entités gold standard
+
+| Métrique | Score | vs Baseline (FP16 Teacher 12L) |
+|----------|-------|--------------------------------|
+| **F1 Score** | **85.9%** | -1.3% (87.3% → 85.9%) |
+| **Precision** | **86.1%** | -2.2% (88.2% → 86.1%) |
+| **Recall** | **85.8%** | -0.5% (86.3% → 85.8%) |
+| **Weighted Score** | **96.4%** | -0.2% (96.6% → 96.4%) |
+| **False Positives** | 64 | +11 (53 → 64) |
+| **Missed Entities** | 52 | +2 (50 → 52) |
+
+**✅ Trade-off accepté** : -1.3% F1 pour -6.7% taille + ~15-20% vitesse
+
+### 🏷️ Catégories d'entités détectées
+
+Le modèle de base détecte **4 catégories principales** :
+
+- **PER** (Person) : Personnes, noms, prénoms
+- **LOC** (Location) : Lieux, villes, pays, régions  
+- **ORG** (Organization) : Organisations, entreprises, institutions
+- **MISC** (Miscellaneous) : Entités diverses (dates, événements, etc.)
+
+> **Note** : Ce modèle est le composant NER de base du pipeline LaPlume. Les catégories fines (39 types spécialisés comme `ETAB_MECS`, `ID_RSA`, `LOC_CITY`, etc.) sont ajoutées par les post-traitements du pipeline complet (règles regex, gazetteers, reclassification).
+
+### 🎯 Cas d'usage
+
+Ce modèle est optimisé pour :
+- **Rapports sociaux** : évaluations, suivis, comptes-rendus
+- **Documents médico-sociaux** : dossiers patients, orientations
+- **Anonymisation** : détection d'entités pour pseudonymisation
+- **Environnements contraints** : serveurs avec RAM limitée, déploiement edge
+- `ETAB_MAS`, `ETAB_FAM`, `ETAB_ESAT`, `ETAB_SAVS`, `ETAB_SAMSAH` : Handicap adulte
+- `ETAB_CHRS` : Hébergement d'urgence
+- `ETAB_CMS` : Centres médico-sociaux
+- `ETAB_SCOLAIRE` : Établissements scolaires
+- etc. (voir documentation complète)
+
+## 🔧 Architecture technique
+
+### Modèle de base
+
+- **Base** : CamemBERT (RoBERTa français)
+- **Vocabulary** : 32,000 tokens (SentencePiece BPE)
+- **Hidden size** : 768
+- **Attention heads** : 12
+- **Layers** : **11** (distilled from 12-layer teacher)
+
+### Optimisations appliquées
+
+#### 1. Knowledge Distillation (11 layers)
+
+```python
+Teacher: camembert-ner (12 layers, F1 87.3%)
+Student: 11 layers, distilled with temperature=2.0
+Loss: α * CE_loss + (1-α) * KD_loss
+Result: F1 81.25% on training → 85.9% final
+```
+
+#### 2. Magnitude-based Pruning (20%)
+
+```python
+Target: 20% sparsity (magnitude-based)
+Effective: 15.14% (15.6M params zeroed / 102.9M total)
+Method: Iterative pruning during distillation
+```
+
+#### 3. FP16 Quantization
+
+```python
+Conversion: torch.float32 → torch.float16
+Size reduction: 392.71 MB → 196.36 MB (-50.0%)
+Quality impact: Minimal (<0.1% F1 degradation)
+```
+
+### 📦 Spécifications
+
+- **Paramètres totaux** : 102,947,333
+- **Paramètres non-zéro** : 87,350,000 (~85%)
+- **Taille mémoire** : 196.36 MB (FP16)
+- **Temps d'inférence** : ~15-20% plus rapide que baseline
+- **Compatibilité** : Transformers ≥ 4.30.0, PyTorch ≥ 2.0.0
+
+## 🚀 Usage
+
+### Dataset d'entraînement
+
+Le modèle student distillé a été entraîné sur **50 000 phrases** provenant de trois sources complémentaires :
+
+1. **Contexte médico-social français** :
+   - Rapports sociaux fictifs mais réalistes (générés pour l'entraînement)
+   - Rapports publics sur l'organisation médico-sociale et bonnes pratiques
+2. **Narratif littéraire** : Grands romans français du XXe siècle (dialogues, descriptions de personnages)
+3. **Articles Wikipedia français** : Contenu encyclopédique général
+
+Cette diversité de sources permet une bonne généralisation tout en conservant une spécialisation pour le domaine médico-social, **sans utiliser de données confidentielles réelles**.
+
+### Installation
+
+```bash
+pip install transformers torch
+```
+
+### Chargement du modèle
+
+```python
+from transformers import AutoTokenizer, AutoModelForTokenClassification
+import torch
+
+# Charger le modèle et le tokenizer
+model_name = "jmdanto/titibongbong_camemBERT_NER"
+tokenizer = AutoTokenizer.from_pretrained(model_name)
+model = AutoModelForTokenClassification.from_pretrained(
+    model_name,
+    torch_dtype=torch.float16  # Force FP16 pour bénéficier des optimisations
+)
+
+# Exemple d'inférence
+text = "Marie Dupont habite à Paris et travaille à l'Hôpital Sainte-Anne."
+inputs = tokenizer(text, return_tensors="pt")
+
+with torch.no_grad():
+    outputs = model(**inputs)
+    predictions = torch.argmax(outputs.logits, dim=-1)
+
+# Décoder les prédictions
+tokens = tokenizer.convert_ids_to_tokens(inputs["input_ids"][0])
+labels = [model.config.id2label[p.item()] for p in predictions[0]]
+
+for token, label in zip(tokens, labels):
+    if label != "O":
+        print(f"{token}: {label}")
+
+# Résultat attendu :
+# Marie: B-PER
+# Dupont: I-PER
+# Paris: B-LOC
+# Hôpital: B-ORG
+# Sainte: I-ORG
+# -: I-ORG
+# Anne: I-ORG
+```
+
+### Pipeline complet avec post-traitement
+
+```python
+from transformers import pipeline
+
+# Créer le pipeline NER
+ner_pipeline = pipeline(
+    "ner",
+    model=model_name,
+    tokenizer=model_name,
+    aggregation_strategy="simple",  # Fusionne les sous-tokens
+    device=0 if torch.cuda.is_available() else -1
+)
+
+# Analyser un texte
+text = """
+Rapport social concernant M. Bernard Martin, 
+domicilié au 23 rue de la Paix, 69000 Lyon.
+Suivi par le Centre Médico-Social de Lyon-Confluence.
+"""
+
+entities = ner_pipeline(text)
+
+for entity in entities:
+    print(f"{entity['entity_group']}: {entity['word']} (score: {entity['score']:.2f})")
+
+# Résultat attendu :
+# PER: Bernard Martin (score: 0.99)
+# LOC: rue de la Paix (score: 0.95)
+# LOC: Lyon (score: 0.98)
+# ORG: Centre Médico-Social de Lyon-Confluence (score: 0.92)
+```
+
+## 📈 Benchmarks
+
+### Comparaison des modèles
+
+| Modèle | Taille | F1 | Précision | Rappel | FP | Manqués |
+|--------|--------|----|-----------  |--------|-------|---------|
+| **Baseline FP16** (Teacher 12L) | 210 MB | 87.3% | 88.2% | 86.3% | 53 | 50 |
+| **Distilled FP32** (Student 11L) | 393 MB | 85.8% | 85.9% | 85.8% | 65 | 52 |
+| **Distilled FP16** (Ce modèle) | **196 MB** | **85.9%** | **86.1%** | **85.8%** | **64** | **52** |
+
+**Trade-offs** :
+- ✅ **Taille** : -6.7% vs baseline, meilleure efficacité
+- ✅ **Vitesse** : ~15-20% plus rapide (distillation + FP16)
+- ⚠️ **Qualité** : -1.3% F1 (acceptable, >85% seuil requis)
+
+### Performance par criticité
+
+| Criticité | Rappel | Précision | F1 | Entités |
+|-----------|--------|-----------|----|----|
+| **CRIT** (NIR, etc.) | 96.8% | 100% | 98.4% | 19 |
+| **HIGH** (PER, ID) | 93.0% | 95.7% | 94.4% | 176 |
+| **MED** (ORG, ETAB) | 81.4% | 77.4% | 79.3% | 199 |
+| **LOW** (LOC, DATE) | 69.4% | 74.5% | 71.9% | 49 |
+
+**✅ Points forts** :
+- Excellente détection des données critiques 
+- Précision élevée sur les personnes
+- Bon équilibre précision/rappel global
+
+## 🎓 Entraînement
+
+### Dataset
+
+- **Domaine** : Rapports sociaux français (ASE, RSA, handicap, hébergement)
+- **Taille** : 10 fichiers d'entraînement annotés manuellement
+- **Annotations** : Format IOB2 avec 39 catégories d'entités
+- **Augmentation** : Gazetteers spécialisés (FINESS, prénoms, associations)
+
+### Hyperparamètres
+
+```yaml
+# Distillation
+teacher: camembert-ner-12layers-fp16
+student_layers: 11
+temperature: 2.0
+alpha: 0.5
+
+# Pruning
+method: magnitude_based
+target_sparsity: 0.20
+effective_sparsity: 0.1514
+
+# Training
+learning_rate: 2e-5
+batch_size: 16
+epochs: 10
+optimizer: AdamW
+warmup_ratio: 0.1
+
+# Quantization
+dtype: float16
+method: torch.half()
+```
+
+## ⚠️ Limitations
+
+1. **Domaine spécialisé** : Optimisé pour les rapports sociaux français, performances moindres sur d'autres domaines
+2. **Trade-off qualité** : -1.3% F1 vs baseline pour gain taille/vitesse
+3. **Faux positifs** : +11 FP vs baseline (64 vs 53), vérification recommandée
+4. **Entités rares** : Performance réduite sur catégories peu fréquentes (LOC, DATE)
+5. **Hardware** : FP16 nécessite GPU compatible (Pascal+) ou CPU moderne
+
+## 📄 Licence
+
+Apache 2.0
+
+## 🤝 Citation
+
+```bibtex
+@model{camembert-ner-distilled-pruned-fp16,
+  title={CamemBERT-NER Distilled + Pruned + FP16},
+  author={Danto, Patrick},
+  year={2024},
+  publisher={HuggingFace},
+  url={https://huggingface.co/jmdanto/titibongbong_camemBERT_NER}
+}
+
+@model{camembert-ner-teacher,
+  title={CamemBERT-NER: Fine-tuned CamemBERT for NER task},
+  author={Pollé, Jean-Baptiste},
+  year={2020},
+  publisher={HuggingFace},
+  url={https://huggingface.co/Jean-Baptiste/camembert-ner}
+}
+```
+
+## 📞 Contact
+
+- **Email** : patrick.danto@outlook.fr
+
+## 🔄 Versions
+
+- **v1.0** (Nov 2024) : Version initiale distillée + prunée + FP16
+  - 11 layers, 20% pruning, FP16 quantization
+  - F1: 85.9%, Size: 196 MB
+  - Évalué sur 447 entités gold standard
+
+---
+
+**Note** : Ce modèle fait partie du projet **La Plume**, un pipeline de pseudonymisation pour documents médico-sociaux français. Le pipeline complet est un projet privé protégé au titre de la propriété intellectuelle, mais ce modèle est publié sous licence MIT.