Update README.md

README.md

@@ -9,4 +9,124 @@ datasets:
 language:
 - fr
 pipeline_tag: question-answering
----
+---
+# 📚 Documentation Utilisateur de Tesity-T5 : Votre Modèle de Question/Answering avec Contexte
+
+![Tesity-T5](http://www.image-heberg.fr/files/17608033691499948513.jpg)
+
+Félicitations \! Vous utilisez **Tesity-T5**, un modèle de langage puissant de type *Encoder-Decoder* créé par **Clemylia**.
+
+Tesity-T5 est spécialisé dans le **Question/Answering guidé par Contexte**. Il excelle à synthétiser une réponse précise en se basant uniquement sur le texte que vous lui fournissez.
+
+## 🎯 Objectif et Fonctionnement
+
+Le but de Tesity-T5 est de vous fournir une réponse **factuelle** et **synthétisée** à une question spécifique, en utilisant le **contexte** que vous définissez comme seule source d'information.
+
+| Composant | Rôle |
+| :--- | :--- |
+| **Contexte** (Input) | Le texte source qui contient l'information nécessaire pour répondre. 📝 |
+| **Question** (Input) | L'interrogation spécifique à laquelle le modèle doit répondre. ❓ |
+| **Réponse** (Output) | Le modèle extrait ou synthétise la réponse à partir du **Contexte**. ✅ |
+
+-----
+
+## 🛠️ Instructions d'Utilisation
+
+Pour obtenir une réponse optimale de Tesity-T5, il est **crucial** de formater votre requête selon le protocole de l'architecture T5.
+
+### 1\. Préparation de l'Environnement
+
+Assurez-vous d'avoir les librairies `transformers` et `torch` installées :
+
+```bash
+pip install transformers torch
+```
+
+### 2\. Chargement du Modèle et du Tokenizer
+
+Chargez le modèle et le tokenizer depuis Hugging Face. **
+
+```python
+from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
+import torch
+
+MODEL_ID = "Clemylia/Tesity-T5"
+device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+
+# Chargement
+tokenizer = AutoTokenizer.from_pretrained(MODEL_ID)
+model = AutoModelForSeq2SeqLM.from_pretrained(MODEL_ID).to(device)
+
+print(f"Tesity-T5 prêt à être utilisé sur {device} ! 🚀")
+```
+
+-----
+
+### 3\. Formatage de l'Entrée (Input Formatting)
+
+Pour que le modèle comprenne la tâche, l'entrée doit être une chaîne de caractères unique et structurée :
+
+**Format Requis :**
+
+```
+question_answering: [Votre Question] context: [Votre Contexte]
+```
+
+**Exemple de Requête :**
+
+```python
+mon_contexte = "L'entraînement from scratch de Tesity-T5 a été effectué sur la dataset Clem27sey/Nacid par Clemylia, la créatrice du modèle."
+ma_question = "Qui a créé Tesity-T5 et sur quelle dataset a-t-il été entraîné ?"
+
+# Création de l'Input formaté
+input_text = f"question_answering: {ma_question} context: {mon_contexte}"
+```
+
+### 4\. Génération de la Réponse
+
+Utilisez la méthode `model.generate()` pour obtenir la réponse.
+
+```python
+def generate_tesity_answer(question: str, context: str):
+    """Génère la réponse à partir de la Question et du Contexte."""
+    
+    # Formatage
+    input_text = f"question_answering: {question} context: {context}"
+    
+    # Tokenisation
+    input_ids = tokenizer(
+        input_text, 
+        return_tensors="pt", 
+        max_length=512, 
+        truncation=True
+    ).input_ids.to(device)
+    
+    # Génération
+    outputs = model.generate(
+        input_ids, 
+        max_length=128, 
+        num_beams=4,              # Améliore la qualité de la réponse
+        early_stopping=True
+    )
+    
+    # Décodage
+    answer = tokenizer.decode(outputs[0], skip_special_tokens=True)
+    return answer
+
+# --- Utilisation ---
+reponse_finale = generate_tesity_answer(ma_question, mon_contexte)
+
+print(f"\nContexte : {mon_contexte}")
+print(f"Question : {ma_question}")
+print(f"\n➡️ Réponse de Tesity-T5 : {reponse_finale}")
+```
+
+-----
+
+## ⚠️ Conseils pour un QA Efficace
+
+  * **Clarté du Contexte** : Plus votre contexte est **clair** et **précis**, meilleure sera la réponse. Tesity-T5 ne peut répondre qu'avec les informations présentes dans le contexte.
+  * **Pertinence** : Assurez-vous que la réponse à votre question est **explicitement** contenue ou **inférable** à partir du contexte. Si l'information est absente, le modèle risque d'halluciner ou de donner une réponse générique.
+  * **Longueur** : Pour la performance, la longueur totale de l'entrée (Contexte + Question) est limitée. Pour Tesity-T5, elle ne doit pas dépasser environ **512 tokens**.
+
+Profitez bien de votre expérience avec ce puissant modèle \! 🌟