Comms Surveillance SLM — Demo Classifier

Questo e' un prototipo dimostrativo, NON un prodotto di compliance validato.

Cosa e'

Fine-tuning LoRA di Qwen/Qwen2.5-3B-Instruct per classificare comunicazioni testuali secondo tipologie di market abuse (insider dealing, spoofing, layering, front-running, personal account dealing, collusion, benign), ispirate alla tassonomia FCA/MAR.

Su cosa e' addestrato — IMPORTANTE

Addestrato ESCLUSIVAMENTE su un dataset SINTETICO generato proceduralmente (240 esempi, template + variazioni), creato per validare una pipeline di fine-tuning — non contiene, e non e' mai stato esposto a, comunicazioni reali di alcuna banca o cliente. Le performance riportate (accuratezza ~97% su un validation set anch'esso sintetico) NON sono rappresentative delle performance su dati reali, che tipicamente contengono linguaggio molto piu' ambiguo, gergale e variegato.

Uso previsto

• Dimostrazione/prototipo di un'architettura a triage per comms surveillance.
• Punto di partenza per fine-tuning su dati reali e propri (con adeguato processo di model risk management), non un classificatore pronto per produzione.

Uso NON previsto

• Non utilizzare per decisioni reali di compliance/sorveglianza senza ri-addestramento su dati reali, validazione e sign-off di model risk management.
• Non rappresenta la posizione o i dati di alcun istituto finanziario.

Come usarlo

from transformers import AutoModelForCausalLM, AutoTokenizer
model = AutoModelForCausalLM.from_pretrained("anespo28/comms-surveillance-slm-demo-merged")
tokenizer = AutoTokenizer.from_pretrained("anespo28/comms-surveillance-slm-demo-merged")

Oppure con mlx-lm (Apple Silicon):

mlx_lm.generate --model anespo28/comms-surveillance-slm-demo-merged --prompt "..."