File size: 71,513 Bytes
75401a4 ce44008 75401a4 0b1fdff 75401a4 0b1fdff 5e7b15c ce44008 75401a4 d489f6e 75401a4 d489f6e 75401a4 5accff7 75401a4 a2d2ef4 75401a4 a2d2ef4 75401a4 a2d2ef4 75401a4 a2d2ef4 75401a4 a2d2ef4 75401a4 5accff7 75401a4 4935d2c 75401a4 4935d2c 75401a4 32d6aac 75401a4 32d6aac |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 |
---
tags:
- ColBERT
- PyLate
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:76474
- loss:Contrastive
base_model: rasyosef/bert-medium-amharic
pipeline_tag: sentence-similarity
library_name: PyLate
metrics:
- accuracy
model-index:
- name: PyLate model based on rasyosef/bert-medium-amharic
results:
- task:
type: col-berttriplet
name: Col BERTTriplet
dataset:
name: amharic-passage-retrieval-dataset
type: amharic-passage-retrieval-dataset
metrics:
- type: mrr@10
value: 0.806
name: Mrr@10
- type: ndcg@10
value: 0.831
name: Ndcg@10
- type: recall@10
value: 0.911
name: Recall@10
- type: recall@50
value: 0.954
name: Recall@50
- type: recall@100
value: 0.968
name: Recall@100
- type: accuracy
value: 0.975687563419342
name: Accuracy
language:
- am
datasets:
- rasyosef/amharic-passage-retrieval-dataset
---
# ColBERT-Bert-Amharic-Medium
This is a [PyLate](https://github.com/lightonai/pylate) model finetuned from [rasyosef/bert-medium-amharic](https://huggingface.co/rasyosef/bert-medium-amharic). It maps sentences & paragraphs to sequences of 128-dimensional dense vectors and can be used for semantic textual similarity using the MaxSim operator.
## Training Code
This model was trained as part of our **ACL 2025 Findings** paper: ***Optimized Text Embedding Models and Benchmarks for Amharic Passage Retrieval***.
- **Models Collection:** https://huggingface.co/collections/rasyosef/amharic-text-embedding-models-679cb55eae1d498e3ac5bdc5
- **Code:** https://github.com/kidist-amde/amharic-ir-benchmarks
## Model Details
### Model Description
- **Model Type:** PyLate model
- **Base model:** [rasyosef/bert-medium-amharic](https://huggingface.co/rasyosef/bert-medium-amharic) <!-- at revision cbe8e1aeefcd7c9e45dd0742c859aae9b03905f1 -->
- **Document Length:** 256 tokens
- **Query Length:** 32 tokens
- **Output Dimensionality:** 128 tokens
- **Similarity Function:** MaxSim
<!-- - **Training Dataset:** Unknown -->
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->
### Model Sources
- **Documentation:** [PyLate Documentation](https://lightonai.github.io/pylate/)
- **Repository:** [PyLate on GitHub](https://github.com/lightonai/pylate)
- **Hugging Face:** [PyLate models on Hugging Face](https://huggingface.co/models?library=PyLate)
### Full Model Architecture
```
ColBERT(
(0): Transformer({'max_seq_length': 255, 'do_lower_case': False}) with Transformer model: BertModel
(1): Dense({'in_features': 512, 'out_features': 128, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
)
```
## Usage
First install the PyLate library:
```bash
pip install -U pylate
```
### Retrieval
PyLate provides a streamlined interface to index and retrieve documents using ColBERT models. The index leverages the Voyager HNSW index to efficiently handle document embeddings and enable fast retrieval.
#### Indexing documents
First, load the ColBERT model and initialize the Voyager index, then encode and index your documents:
```python
from pylate import indexes, models, retrieve
# Step 1: Load the ColBERT model
model = models.ColBERT(
model_name_or_path="rasyosef/colbert-bert-amharic-medium",
)
# Step 2: Initialize the Voyager index
index = indexes.Voyager(
index_folder="pylate-index",
index_name="index",
override=True, # This overwrites the existing index if any
)
# Step 3: Encode the documents
documents_ids = ["1", "2", "3", "4", "5"]
documents = [
"አስመላሽ ተካ ለኢትዮጵያ ቋንቋዎች የማሽን ትርጉም አገልግሎት የሚያቀርበው ልሳን ኩባንያ ተባባሪ መሥራች ነው። መቀመጫውን በርሊን ያደረገው ልሳን በሥራው ከአርቴፊሺያል ኢንተለጀንስ ጋር በጥብቅ ይተሳሰራል። አስመላሽ የአንድ ለአንድ እንግዳ ነው። አሜሪካ እና ቻይና ስለሚወዳደሩበት ቴክኖሎጂ እና ለአፍሪካ ስለሚኖረው ፋይዳ እሸቴ በቀለ አነጋግሮታል።",
"ከተደጋጋሚ መሬት መንቀጥቀጥ በኋላ አፋር ክልል እሳት ከመሬት ውስጥ ሲፈላ ታይቷል፡፡ ከመሬት ውስጥ እሳትና ጭስ የሚተፋው እንፋሎቱ ዛሬ ማለዳውን 11 ሰዓት ግድም ከከባድ ፍንዳታ በኋላየተስተዋለ መሆኑን የአከባቢው ነዋሪዎች እና ባለስልጣናት ለዶቼ ቬለ ተናግረዋል፡፡ አለት የሚያፈናጥር እሳት ነው የተባለው እንፋሎቱ በክልሉ ጋቢረሱ (ዞን 03) ዱለቻ ወረዳ ሰጋንቶ ቀበሌ መከሰቱን የገለጹት የአከባቢው የአይን እማኞች ከዋናው ፍንዳታ በተጨማሪ በዙሪያው ተጨማሪ ፍንዳታዎች መታየት ቀጥሏል ባይ ናቸው፡፡",
"በማዕከላዊ ኢትዮጵያ ክልል ሃድያ ዞን ጊቤ ወረዳ በሚገኙ 12 ቀበሌዎች መሠረታዊ የመንግሥት አገልግሎት መስጫ ተቋማት በሙሉና በከፊል በመዘጋታቸው መቸገራቸውን ነዋሪዎች አመለከቱ። ከባለፈው ዓመት ጀምሮ የጤና፣ የትምህርት እና የግብር አሰባሰብ ሥራዎች በየአካባቢያቸው እየተከናወኑ አለመሆናቸውንም ለዶቼ ቬለ ተናግረዋል።",
"የሕዝብ ተወካዮች ምክር ቤት አባል እና የቋሚ ኮሚቴ ሰብሳቢ የነበሩት አቶ ክርስቲያን ታደለ እና የአማራ ክልል ምክር ቤት አባል የሆኑት አቶ ዮሐንስ ቧያለው ከቃሊቲ ወደ ቂሊንጦ ማረሚያ ቤት መዛወራቸውን ጠበቃቸው ተናገሩ።",
"ከ15 የተባበሩት መንግሥታት የጸጥታ ጥበቃ ምክር ቤት አባላት መካከል ትላንት ዓርብ በነበረው ድምጽ አሰጣጥ ዘጠኙ የውሳኔ ሐሳቡን ደግፈዋል። የውሳኔ ሐሳቡ ያገኘው የድጋፍ ድምጽ ለመጽደቅ ከሚያስፈልገው ዝቅተኛው ነው። ስድስት ሀገራት ማለትም ሩሲያ፣ ቻይና፣ አልጄሪያ፣ ሴራ ሊዮን፣ ሶማሊያ እና ፓኪስታን ድምጸ ተዓቅቦ አድርገዋል።",
]
documents_embeddings = model.encode(
documents,
batch_size=32,
is_query=False, # Ensure that it is set to False to indicate that these are documents, not queries
show_progress_bar=True,
)
# Step 4: Add document embeddings to the index by providing embeddings and corresponding ids
index.add_documents(
documents_ids=documents_ids,
documents_embeddings=documents_embeddings,
)
```
Note that you do not have to recreate the index and encode the documents every time. Once you have created an index and added the documents, you can re-use the index later by loading it:
```python
# To load an index, simply instantiate it with the correct folder/name and without overriding it
index = indexes.Voyager(
index_folder="pylate-index",
index_name="index",
)
```
#### Retrieving top-k documents for queries
Once the documents are indexed, you can retrieve the top-k most relevant documents for a given set of queries.
To do so, initialize the ColBERT retriever with the index you want to search in, encode the queries and then retrieve the top-k documents to get the top matches ids and relevance scores:
```python
# Step 1: Initialize the ColBERT retriever
retriever = retrieve.ColBERT(index=index)
# Step 2: Encode the queries
queries_embeddings = model.encode(
[
"የጸጥታ ጥበቃው ምክር ቤት በደቡብ ሱዳን ላይ የተጣለውን የጦር መሣሪያ ማዕቀብ ለዓመት አራዘመ",
"የተደጋገመው የመሬት መንቀጥቀጥና የእሳተ ገሞራ ምልክት በአፋር ክልል"
],
batch_size=32,
is_query=True, # # Ensure that it is set to False to indicate that these are queries
show_progress_bar=True,
)
# Step 3: Retrieve top-k documents
scores = retriever.retrieve(
queries_embeddings=queries_embeddings,
k=10, # Retrieve the top 10 matches for each query
)
```
### Reranking
If you only want to use the ColBERT model to perform reranking on top of your first-stage retrieval pipeline without building an index, you can simply use rank function and pass the queries and documents to rerank:
```python
from pylate import rank, models
queries = [
"የጸጥታ ጥበቃው ምክር ቤት በደቡብ ሱዳን ላይ የተጣለውን የጦር መሣሪያ ማዕቀብ ለዓመት አራዘመ",
]
documents = [
[
"አስመላሽ ተካ ለኢትዮጵያ ቋንቋዎች የማሽን ትርጉም አገልግሎት የሚያቀርበው ልሳን ኩባንያ ተባባሪ መሥራች ነው። መቀመጫውን በርሊን ያደረገው ልሳን በሥራው ከአርቴፊሺያል ኢንተለጀንስ ጋር በጥብቅ ይተሳሰራል። አስመላሽ የአንድ ለአንድ እንግዳ ነው። አሜሪካ እና ቻይና ስለሚወዳደሩበት ቴክኖሎጂ እና ለአፍሪካ ስለሚኖረው ፋይዳ እሸቴ በቀለ አነጋግሮታል።",
"በማዕከላዊ ኢትዮጵያ ክልል ሃድያ ዞን ጊቤ ወረዳ በሚገኙ 12 ቀበሌዎች መሠረታዊ የመንግሥት አገልግሎት መስጫ ተቋማት በሙሉና በከፊል በመዘጋታቸው መቸገራቸውን ነዋሪዎች አመለከቱ። ከባለፈው ዓመት ጀምሮ የጤና፣ የትምህርት እና የግብር አሰባሰብ ሥራዎች በየአካባቢያቸው እየተከናወኑ አለመሆናቸውንም ለዶቼ ቬለ ተናግረዋል።",
"የሕዝብ ተወካዮች ምክር ቤት አባል እና የቋሚ ኮሚቴ ሰብሳቢ የነበሩት አቶ ክርስቲያን ታደለ እና የአማራ ክልል ምክር ቤት አባል የሆኑት አቶ ዮሐንስ ቧያለው ከቃሊቲ ወደ ቂሊንጦ ማረሚያ ቤት መዛወራቸውን ጠበቃቸው ተናገሩ።",
"ከተደጋጋሚ መሬት መንቀጥቀጥ በኋላ አፋር ክልል እሳት ከመሬት ውስጥ ሲፈላ ታይቷል፡፡ ከመሬት ውስጥ እሳትና ጭስ የሚተፋው እንፋሎቱ ዛሬ ማለዳውን 11 ሰዓት ግድም ከከባድ ፍንዳታ በኋላየተስተዋለ መሆኑን የአከባቢው ነዋሪዎች እና ባለስልጣናት ለዶቼ ቬለ ተናግረዋል፡፡ አለት የሚያፈናጥር እሳት ነው የተባለው እንፋሎቱ በክልሉ ጋቢረሱ (ዞን 03) ዱለቻ ወረዳ ሰጋንቶ ቀበሌ መከሰቱን የገለጹት የአከባቢው የአይን እማኞች ከዋናው ፍንዳታ በተጨማሪ በዙሪያው ተጨማሪ ፍንዳታዎች መታየት ቀጥሏል ባይ ናቸው፡፡",
"ከ15 የተባበሩት መንግሥታት የጸጥታ ጥበቃ ምክር ቤት አባላት መካከል ትላንት ዓርብ በነበረው ድምጽ አሰጣጥ ዘጠኙ የውሳኔ ሐሳቡን ደግፈዋል። የውሳኔ ሐሳቡ ያገኘው የድጋፍ ድምጽ ለመጽደቅ ከሚያስፈልገው ዝቅተኛው ነው። ስድስት ሀገራት ማለትም ሩሲያ፣ ቻይና፣ አልጄሪያ፣ ሴራ ሊዮን፣ ሶማሊያ እና ፓኪስታን ድምጸ ተዓቅቦ አድርገዋል።",
]
]
documents_ids = [
[1, 2, 3, 4, 5],
]
model = models.ColBERT(
model_name_or_path="rasyosef/colbert-bert-amharic-medium",
)
queries_embeddings = model.encode(
queries,
is_query=True,
)
documents_embeddings = model.encode(
documents,
is_query=False,
)
reranked_documents = rank.rerank(
documents_ids=documents_ids,
queries_embeddings=queries_embeddings,
documents_embeddings=documents_embeddings,
)
```
<!--
### Direct Usage (Transformers)
<details><summary>Click to see the direct usage in Transformers</summary>
</details>
-->
<!--
### Downstream Usage (Sentence Transformers)
You can finetune this model on your own dataset.
<details><summary>Click to expand</summary>
</details>
-->
<!--
### Out-of-Scope Use
*List how the model may foreseeably be misused and address what users ought not to do with the model.*
-->
## Evaluation
### Metrics
#### Col BERTTriplet
* Evaluated with <code>pylate.evaluation.colbert_triplet.ColBERTTripletEvaluator</code>
| Metric | Value |
|:-------------|:-----------|
| **accuracy** | **0.9757** |
<!--
## Bias, Risks and Limitations
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
-->
<!--
### Recommendations
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
-->
## Training Details
<details><summary>Click to expand</summary>
### Training Dataset
#### Unnamed Dataset
* Size: 76,474 training samples
* Columns: <code>query_id</code>, <code>passage_id</code>, <code>query</code>, <code>positive</code>, <code>negative_1</code>, <code>negative_2</code>, <code>negative_3</code>, and <code>negative_4</code>
* Approximate statistics based on the first 1000 samples:
| | query_id | passage_id | query | positive | negative_1 | negative_2 | negative_3 | negative_4 |
|:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
| type | string | string | string | string | string | string | string | string |
| details | <ul><li>min: 25 tokens</li><li>mean: 30.17 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 25 tokens</li><li>mean: 29.79 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 6 tokens</li><li>mean: 16.06 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 32 tokens</li><li>mean: 32.0 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 32 tokens</li><li>mean: 32.0 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 32 tokens</li><li>mean: 32.0 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 32 tokens</li><li>mean: 32.0 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 32 tokens</li><li>mean: 32.0 tokens</li><li>max: 32 tokens</li></ul> |
* Samples:
| query_id | passage_id | query | positive | negative_1 | negative_2 | negative_3 | negative_4 |
|:----------------------------------------------|:----------------------------------------------|:---------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>0ca6be67788e87a3c1d4719a9b75fbac</code> | <code>84e77970cceefd0e0f5ee539e4064239</code> | <code>የጋሞ ዞን ሕዝቦች ዘመን መለወጫ ዮ ማስቃላ በዓልን በዩኔስኮ ለማስመዝገብ እየተሰራ መሆኑ ተገለፀ</code> | <code>አዲስ አበባ፣ መስከረም 12፣ 2013 (ኤፍ.ቢ.ሲ) የጋሞ ዞን ሕዝቦች ዘመን መለወጫ ዮ ማስቃላ በዓልን በዩኔስኮ ለማስመዝገብ እየተሰራ መሆኑ ተገለጸ፡፡የዞኑ ባህል ቱሪዝም እና ስፖርት መምሪያ ኃላፊ አቶ ዘነበ በየነ እንዳሉት የጋሞ ሕዝቦች ማስቃላ በዓል በአለም ቱሪስቶች የሚጎበኝ ለማድረግ በመንከባከብ በዩኔስኮ ለማስመዝገብ ስራዎች እየተሰራ መሆኑን ተናግረዋል፡፡በዚህ ዓመት ከፍተኛ የቱሪስት ፍሰት መኖሩን የተናገሩት አቶ ዘነበ ይህም የሆነው በጋሞ አባቶች ጥረት ነው ብለዋል፡፡በዚህም የጋሞ ዞን ሰላም በመሆኑ ከቱሪዝም ዘርፍ ከ98 ሚሊየን ብር በላይ መገኘቱን ከዞኑ መንግስት ኮሚኒኬሽን መረጃ ያገኘነው መረጃ ያመላክታል፡፡የጋሞ ዞን ምክትል አስተዳዳሪ አቶ ብርሃኑ ዘውዴ በበኩላቸው ዞኑ የበርካታ የቱሪስት መስህቦች መገኛ መሆኑን ገልፀዋል።ሰላም ሲጠበቅ ባህል፣ ወጎች፣ የተፈጥሮ እና ሰው ሰራሽ መስህቦችን ለአለም ሕዝብ እንዲተዋወቅ እድል በመፍጠር ፤ዘርፉ ለዞኑ ኢኮኖሚኖሚ ማህበራዊ እድገት ላይ ከፍተኛ ድርሻ ያለው መሆኑንም ገልፀዋል፡፡</code> | <code>አዲስ አበባ፡- አገራዊ ባህላዊ እሴቶች ሳይበረዙና ሳይከለሱ ይበልጥ ማደበር፣ መጠበቅና ለቀጣይ ትውልድ ማስተላለፍ እንደሚገባ ተገለፀ፡፡የኢሬቻ በዓልን ምክንያት በማድረግ የተዘጋጀው ኤግዚቢሽን እና ባዛር ትናንት በኢግዚቢሽን<br>ማእከል በይፋ ተመርቆ በተከፈተበት ወቅት የኢፌዴሪ ባህልና ቱሪዝም ሚኒስትር ዶክተር ሂሩት ካሳው እንደገለፁት፣ አገራዊ ባህላዊ<br>እሴቶች አገርን፣ ህዝብንና ትውልድን ከዘመን ዘመን የሚያሻግሩ ታላቅ ጥበብና እውቀት ናቸው፡፡እነዚህን ባሕላዊ እሴቶች በአግባቡ<br>ተንከባክቦ ለአገር ሰላም ፣ልማት፣ለህዝብ ለህዝብ ትስስር እና እድገት ማዋል አሁን ካለው ትውልድ ይጠበቃል፡፡ሚኒስቴር መስሪያ ቤቱም የሁሉንም የአገሪቱ ባህላዊ እሴቶች የመንከባከብ ፣የመጠበቅና የማልማት ስራዎች እያከናወነ መሆኑን<br>የጠቆሙት ሚኒስትሯ፣‹‹ይህ ትውልድም ባህላዊ እሴቱን ሳይበርዝ ሳይከልስ ማደበር፣መጠበቅና ማስተላለፍ ይገባዋል››ብለዋል፡፡የኦሮሚያ ክልል ምክትል ርዕሰ መስተዳድር አቶ ሽመልስ አብዲሳ በበኩላቸው፣ ኢሬቻ ኩርፊያና ጠብ እንደማይወዱ፣ የሰላም፣<br>የፍቅር የይቅርታ የአንድነትና የመተባበር ባህል መሆኑንም አብራርተዋል፡፡ በአሁኑ ወቅትም ሁሉም ብሄር ብሄረሰቦች የራሳቸውን ባህል<br>ከማክበርና ከመንከባከብ በተጓደኝ ኢሬቻንም ‹‹የእኔ ነው›› በሚል እያከበረው እንደሚገኝ ተናግረዋል፡፡የኢሬቻ በዓል አከባበር እየጎለበተ<br>በመጣ ቁጥር የሁሉም ብሄር፣ ብሄረሰቦችና ህዝቦች ተሳትፎ በዚያው ልክ መጨመሩን ያስገነዘቡት አቶ ሽመልስ፣ ዘንድሮም በዓሉ በሰላም<br>እና በደስታ በጋራ እንደሚከበር አስታውቀዋል፡፡ ኢሬቻን ጨምሮ ሌሎች የኢትዮጵያ<br>ቱባ ባህላዊ እሴቶች ሳይበረዙና ሳይከለሱ ይበልጥ ለማደበርና ለመጠበቅ እና ለማስተዋወቅ ሁሉም በትብብር ሊሰራ እንደሚገባ አስገንዘበዋል፡፡<br>የኢሬቻ በዓልን ምክንያት በ...</code> | <code>አዲስ አበባ፣ ታህሳስ 29፣ 2012 (ኤፍ.ቢ.ሲ) የአሸንዳ፣ ሻደይ፣ አሸንድዬ፣ ሶለል፣ ማሪያና ዓይኒ ዋሪ በዓል በተባበሩት መንግስታት ድርጅት የትምህርት፣ ሳይንስና ባህል ድርጅት (ዩኔስኮ) የማይዳሰስ ቅርስ ሆኖ እንዲመዘገብ የማስመረጫ ሰነድ ዝግጅት መጠናቀቁን የቅርስ ጥናትና ጥበቃ ባለስልጣን አስታውቋል።የባለስልጣኑ የባህል ተመራማሪ አቶ ገዛኸኝ ግርማ የአሸንዳ፣ ሻደይና አሸንድዬ የልጃገረዶች በዓል በዩኔስኮ እንዲመዘገብ በርካታ ስራዎች መከናወናቸውን አስታውሰዋል።በአሁኑ ሰዓትም በዓሉ በማይዳሱ የሰው ልጆች ወካይ ቅርስነት እንዲመዘገብ የማስመረጫ ሰነድና አስፈላጊ ጥናቶች ዝግጅት ተጠናቆ በመጭው መጋቢት ወር እንደሚላክ መግለጻቸውን ኢዜአ ዘግቧል።በዓሉ በመንግስታቱ ድርጅት በማይዳሰስ ቅርስነት እንዲመዘገብ የሚወሰን ከሆነ የኢትዮጵያ አምስተኛው የማይዳሰስ የዓለም የሰው ልጆች ወካይ ቅርስ ይሆናል።የባህልና ቱሪዝም ሚኒስቴር የህዝብ ግንኙነት ዳይሬክተር አቶ እንደገና ደሳለኝ በበኩላቸው፥ ኢትዮጵያ ካላት የተፈጥሮ፣ የታሪክ፣ የባህል ሃብትና አቅም አንጻር በቱሪዝሙ የሚፈለገውን ያህል አለመጠቀሟን ተናግረዋል።ሃላፊው በአሁኑ ወቅት 8 የሚሆኑ ታላላቅ ጥንታዊ፣ ታሪካዊና ባህላዊ ቅርሶች በዩኔስኮ ጊዜያዊ መዝገብ ላይ ሰፍረው እንደሚገኙ ጠቁመዋል።የአሸንዳ፣ ሻደይ፣ አሸንድዬና ሶለል በዓል በዩኔስኮ መመዝገብ ሀገሪቷ ከቱሪዝም የምታገኘውን ገቢ ከማሳደጉ ባሻገር የአማራና የትግራይ ክልሎችን ህዝቦች ይበልጥ የሚያቀራርብና የሚያስተሳስር እንደሚሆን ይጠበቃል።ኢትዮጵያ በዩኔስኮ በማይዳሰሱ የሰው ልጆች ወካይ ቅርስነት ያስመዘገበቻቸው በዓላት የመስቀል ደመራ፣ የጥምቀት፣ ፍቼ ጨምበላላ እና የገዳ ስርዓት መሆናቸው ይታወቃል።</code> | <code>ጅግጅጋ ፣ ህዳር 30 /2006/ዋኢማ/ – በየዓመቱ ህዳር 29 ቀን የሚከበረው ህገ-መንግስቱ የፀደቀበት የብሔሮች ብሔረሰቦችና ህዝቦች በዓል ለቱሪዝም ኢንዱስትሪው እድገት ከፍተኛ አስተዋፅኦ እንደሚኖረው የባህልና ቱሪዝም ሚኒስትር አቶ አሚን አብዱልቃድር ገለፁ፡፡ሚኒስትሩ በተለይ ለዋልታ ኢንፎርሜሽን ማዕከል እንደገለፁት፤ የብሔሮች ብሔረሰቦችና ህዝቦች ባህላዊ አለባበስ፣ አመጋገብና ባህላዊ ምግቦቻቸውን በዓለም አቀፍ ደረጃ ታዋቂ በማድረግ የሀገሪቱን ከቱሪዝም ዘርፍ የምታገኘውን የውጪ ምንዛሬ ገቢ ማሳደግ ይገባል፡፡የብሔሮች ብሔረሰቦችና ህዝቦች ባህልና ቅርሶቻቸውን ጠብቆ ለማቆየት የሚያስችሉ የባህል ማዕከላት በየክልሉ እየተገነባ መሆኑን የገለፁት ሚኒስትሩ፤ ቅርሶቹ ተጠብቀው ለመጪው ትውልድ በማስተላለፍ በኩልም የሚኖረው ፋይዳ የጎላ ነው ሲሉ ተናግረዋል፡፡በተለይም በሶማሌ ክልል 8ኛው የብሔሮች ብሔረሰቦችና ህዝቦች በዓል መከበሩ ከከፍተኛ እስከ ታዳጊ ክልሎች በዓሉን ለማክበር የሚያስችል አቅም እንዳላቸው የሚያሳይ ነው ካሉ በኋላ፤ በዓሉ በሶማሌ ክልል መከበሩ ደግሞ ስለ ኢትዮጵያ ሶማሌ ብሔሮች ብሔረሰቦችና ህዝቦች በርካታ ነገሮችን እንዲያውቁ እንደሚረዳቸው ጠቁመው፤ ሌሎች ክልሎችም ከሶማሌ ክልል ዝግጅት በርካታ የተሞክሮ የልምድ ልውውጥ እንዲያገኙ እንደሚያስችላቸው ሚኒስትሩ መናገራቸውን ዋልታ ኢንፎርሜሽን ማዕከል ዘግቧል፡፡</code> | <code>“ዛሬ በታላቅ ድምቀት የምናከብረው የጥምቀት በዓል በአለም ቅርስነት በተመዘገበበት ወቅት ነው” ዶክተር ሂሩት ካሳውባሕር ዳር፡ ጥር 11/2013 ዓ.ም (አብመድ) “ዛሬ በታላቅ ድምቀት የምናከብረው የጥምቀት በዓል በዩኔስኮ በዓለም በማይዳሰስ ወካይ ቅርስነት በተመዘገበበት ወቅት ነው” ሲሉ የባህል እና ቱሪዝም ሚኒስትር ዶክተር ሂሩት ካሳው ገለጹ።ዶክተር ሂሩት ዛሬ በአዲስ አባበ ጃን ሜዳ እየተከበረ በሚገኘው የጥምቀት በዓል ላይ ተገኝተው ለኢትይጵያውያን የእምነቱ ተከታዮች የእንኳን አደረሳችሁ መልዕክት አስተላልፈዋል።የጥምቀት በዓል በሀገራችን የሚወደድ እና የሚናፈቅ ዓመታዊ በዓል ነው ብለዋል።በዚሁ ወቅት የጥምቀት በዓል ዩኔስኮ በዓለም በማይዳሰስ ወካይ ቅርስነት ከተመዘገበ አንድ ዓመት አልፎታል ነው ያሉት።“በዚች ውብ ሀገር የምንኖር ኢትዮጵያውያን የቀደምት እናት እና አቦቶቻችንን ቱፊት ተረክበን፤ተንከባክበን እና ጠብቀን ለተከታይ ትውልድ ማሻገር አለብን” በማለት ተናግረዋል።ሚኒስትሯ ለዚህ ደግሞ ሃይማኖታዊ አስተምህሮዎችን በሚገባ ማወቅ እንደሚገባና በተግባር መኖር አስፈላኒጊ ነው ያሉት።ዶክተር ሂሩት ጥምቀትን ጨምሮ በሀገራችን የተለያዩ አካባቢዎች የሚከበሩ ባህላዊም ሆነ ሃይማኖታዊ በዓላት በሚከበሩበት ወቅት በጋራ እና በመደጋገፍ የማክበር ባህላዊ እሴቶች መኖራቸውን ጠቅሰዋል።“ፈጣሪ ያለ ፍቅር አይገኝምና ፍቅርን አስቀድመን፤አንዳችን ለሌላችን ዘብ በመቆም፤ እየተደጋገፍን የፍቅራችንን መልካም መዓዛ ለተከታይ ትውልድ ማስረከብ ይጠበቅብናል” ብለዋል።የባህል እና ቱሪዝም ሚኒስትሯ በተለይም የሃይማኖት አባቶችን እና የስጋ እናትና አባቶችን ምክር በመስማት በሚገባ መተግበር ይገባል በማለት ተናግረዋል።“ሀገር ክፉም ሆነ በጎ የሚባለው በውስጡ በሚኖሩ ሰዎች ተግባር በመሆኑ መል...</code> |
* Loss: <code>pylate.losses.contrastive.Contrastive</code>
### Evaluation Dataset
#### Unnamed Dataset
* Size: 4,000 evaluation samples
* Columns: <code>query_id</code>, <code>passage_id</code>, <code>query</code>, <code>positive</code>, <code>negative_1</code>, <code>negative_2</code>, <code>negative_3</code>, and <code>negative_4</code>
* Approximate statistics based on the first 1000 samples:
| | query_id | passage_id | query | positive | negative_1 | negative_2 | negative_3 | negative_4 |
|:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
| type | string | string | string | string | string | string | string | string |
| details | <ul><li>min: 25 tokens</li><li>mean: 29.29 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 25 tokens</li><li>mean: 29.88 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 6 tokens</li><li>mean: 15.88 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 32 tokens</li><li>mean: 32.0 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 32 tokens</li><li>mean: 32.0 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 32 tokens</li><li>mean: 32.0 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 32 tokens</li><li>mean: 32.0 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 32 tokens</li><li>mean: 32.0 tokens</li><li>max: 32 tokens</li></ul> |
* Samples:
| query_id | passage_id | query | positive | negative_1 | negative_2 | negative_3 | negative_4 |
|:----------------------------------------------|:----------------------------------------------|:--------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>000020ad079f13ca77c92b6fa6ebfda5</code> | <code>ab51b3930d461d5743e6b13b01263f91</code> | <code>‹‹የአገር መከላከያ ሠራዊት ተዋጽኦ እንደ ተወካዮች ምክር ቤት መቀመጫ የሚከፋፈል አይደለም›› ጄኔራል ሳሞራ የኑስ</code> | <code>የአገር መከላከያ ሠራዊት ብሔራዊ ተዋጽኦ የጠበቀና የተመጣጠነ መሆን ያለበት ቢሆንም እንደ የተወካዮች ምክር ቤት መቀመጫ የሚከፋፈል እንዳልሆነ፣ የጦር ኃይሎች ጠቅላላ ኤታ ማዦር ሹም ጄኔራል ሳሞራ የኑስ ተናገሩ፡፡በአማራ ብሔራዊ ክልላዊ መንግሥት ዋና ከተማ በሆነችው በባህር ዳር ከተማ የተከበረውን ሦስተኛውን የሠራዊት ቀን ምክንያት በማድረግ በተዘጋጀው የውይይት መድረክ (ሲምፖዝየም)፣ ‹‹የኢፌዲሪ መከላከያ ሠራዊት ከየት ወዴት?›› በሚል ርዕስ ጥናታዊ ጽሑፍ ያቀረቡት ጄኔራል ሳሞራ የመከላከያ ሠራዊት አመጣጥ፣ ዕድገትና አሁን የሚገኝበትን ደረጃ ተንትነዋል፡፡ቀደም ሲል ደርግን ያሸነፈው የኢሕአዴግ ሠራዊት የአሁኑ መከላከያ ሠራዊት መሠረት እንደሆነ አስታውሰው፣ ለማመጣጠን ሲባል ከ30 ሺሕ በላይ ነባር ታጋዮች እንዲቀነሱ የተደረገበት ምክንያት ብሔራዊ አስተዋጽኦን ለማጠናከር እንደሆነ ገልጸዋል፡፡ ‹‹ለታጋዮችም ሆነ ለአመራሮች ፈታኝና ከባድ ውሳኔ የነበረ ቢሆንም ለሕዝብ ጥቅም ሲባል ወስነናል፤›› በማለት የገለጹት ጄኔራል ሳሞራ፣ በመከላከያ ሠራዊት አነስተኛ ተሳትፎ ከነበራቸው ብሔር ብሔረሰቦች አዲስ አባላት በመመልመል፣ ከወንጀል ነፃ የሆኑ ተፈላጊ ችሎታና ሙያ የነበራቸው የደርግ ሠራዊት አባላትም ታክለውበት ሠራዊቱ እንደ አዲስ መደራጀቱን አብራርተዋል፡፡ በወቅቱ ካልተቀነሱት የሕወሓት ታጋዮች ላይ ሁለት ማዕረግ እንደተቀነሰ፣ በአንፃሩ ደግሞ ለሌሎች ብሔር ተወላጆች ላይ ሁለት ማዕረግ እንዲጨመር መደረጉን አስታውሰዋል፡፡ ኢሕአዴግ ውስጥ ከተፈጠረው መከፋፈል በኋላ በተደረገው የተሃድሶ እንቅስቃሴ መሠረት የሠራዊቱ ማነቆ የነበሩ ችግሮችና አስተሳሰቦች መወገዳቸውንም አውስተዋል፡፡ አዲሱ የሠራዊት ግንባታ ሕገ መንግሥታዊ ተልዕኮዎችን የሚያሳካ፣ የመከላከል ቁመናው የማይደፈር ሆኖ ...</code> | <code>ማንኛውም ሰው በሕግ የተፈቀደ መሣሪያ በሁለት ዓመት ገደብ ውስጥ የማስመዝገብ ግዴታ አለበትከአገር መከላከያ ሠራዊት አባላት በስተቀር ሌሎች በክልል መንግሥታትና በፌዴራል መንግሥት የተደራጁ ሕግ አስከባሪ አካላትና ግለሰቦች እንዲታጠቁ የሚፈቀድላቸውን የጦር መሣሪያ አያያዝ በሚወስነው ረቂቅ አዋጅ ላይ፣ የሕዝብ ተወካዮች ምክር ቤት በርካታ ማሻሻያዎችን በማድረግ አፀደቀ።አዋጁ ለግለሰብ የሚፈቀድ የጦር መሣሪያ የታጠቀ ማንኛውም ሰው የታጠቀውን መሣሪያ በሁለት ዓመት የጊዜ ገደብ ውስጥ እንዲያስመዘግብም አስገዳጅ ድንጋጌ ይዟል። የጦር መሣሪያ አስተዳደርና ቁጥጥር የሚል ስያሜ የተሰጠው ይህ አዋጅ ሕግ አስከባሪ ለሚለው ቃል ትርጓሜ የሚሰጥ ሲሆን፣ በዚህም መሠረት የፌደራልና የክልል ፖሊስ ኮሚሽኖች፣ ሚሊሻ፣ የፌደራልና የክልል ማረሚያ ቤቶች አስተዳደር፣ የፌዴራልና የክልል ጠቅላይ ዓቃቤ ሕግ ተቋማትና ፍትሕ ቢሮዎች፣ የኢትዮጵያ ዱር እንስሳት ልማትና ጥበቃ ባለሥልጣን መሆናቸው በሕጉ ተመልክቷል።እነዚህ አካላት ሊታጠቁዋቸው የሚችሉዋቸው የጦር መሣሪያ ዓይነቶች ሽጉጥ፣ አውቶማቲክ ያልሆነ ወይም ግማሽ አውቶማቲክ የሆነ ጠብመንጃ፣ ቦምብና ሌሎች ተያያዥ ዕቃዎች ሊሆኑ እንደሚችሉ ረቂቅ አዋጁ በአንቀጽ ሰባት ሥር ይዘረዝር ነበር።ለግለሰብ የሚፈቀደው የጦር መሣሪያ አንድ ሽጉጥ ወይም አንድ አውቶማቲክ ያልሆነ ጠብመንጃ፣ ወይም አንድ ግማሽ አውቶማቲክ ጠብመንጃ ብቻ መሆኑን ረቂቁ ይዘረዝር ነበር። ራሳቸውን ለመከላከልና የአካባቢያቸውን ደኅንነት ለማስጠበቅ በተለምዶ የጦር መሣሪያ የሚያዝባቸው አካባቢዎች ነዋሪ የሆኑና የጦር መሣሪያ የያዙ ሰዎች፣ የያዙት የጦር መሣሪያ በረቂቅ ሕጉ ለግለሰብ ያልተከተለ የጦር መሣሪያ ዓይነት እስከሆነ ድረስ፣ ሕጉ ከፀደቀ በኋላ በሚወጣ የጊዜ ሰሌዳ በየአካባቢው ሥ...</code> | <code>የአገር መከላከያ ሚኒስቴር ዓርብ ታኅሳስ 23 ቀን 2013 ዓ.ም. በሰጠው መግለጫ፣ የቀድሞ የትራንስፖርት ሚኒስትር ደኤታ ወ/ሮ ሙሉ ገብረ እግዚአብሔርና በርካታ ወታደራዊ መኮንኖች መማረካቸውን፣ እንዲሁም በርካቶች መደምሰሳቸውን አስታወቀ፡፡የመከላከያ ሚኒስቴር የኃይል ሥምሪት መምርያ ኃላፊ ብርጋዴር ጄኔራል ተስፋዬ አያሌው በሰጡት መግለጫ፣ ሕወሓትን በመወከል የፓርላማ አባል የነበሩት ሚኒስትር ዴኤታዋ ሲማረኩ፣ የማይካድራውን ጭፍጨፋ የመሩት ኮሎኔል የማነ ገብረ ሚካኤልን ጨምሮ ዕርምጃ የተወሰደባቸውን የሕወሓት መለስተኛ አመራሮችና መኮንኖች ማንነት ይፋ አድርገዋል፡፡ጄኔራል መኮንኑ በርካታ የሕወሓት ከፍተኛ አመራሮች፣ እንዲሁም ወታደራዊ መኮንኖች መማረካቸውንና መደምሰሳቸውን ገልጸዋል። በትግራይ ክልል ጦርነት ቀስቅሶ የተሸነፈው ኃይል የሞቱበትን ከፍተኛ አመራሮቹን ከሰብዓዊ ርህራሔ በተቃራኒ፣ እንዳይታወቁ በማለት አንገታቸውን ቆርጦ ለየብቻ ስለሚቀብራቸው ለመለየት አዳጋች መሆኑን አስረድተዋል።የአገር መከላከያ ሠራዊትና የፌዴራል ፖሊስ ተቀናጅተው በወሰዱት ዕርምጃ በርካቶች መማረካቸውን፣ እጅ ለመስጠት ፈቃደኛ ያልሆኑት መደምሰሳቸውን ብርጋዴር ጄኔራል ተስፋዬ ጠቁመዋል።ዕርምጃ ተወስዶባቸዋል የተባሉት ኮሎኔል ዓለም ገብረ መድኅን፣ ኮሎኔል ቢንያም ገብረ መድኅን፣ ኮሎኔል አምባዬ፣ ኮሎኔል ማሾ፣ ኮሎኔል ይርጋ ሥዩም፣ ኮሎኔል አጽብሃ፣ ኮሎኔል ተስፋዬ ገብረ መድኅን፣ ኮሎኔል ዮሐንስ ካልአዩ፣ ኮሎኔል ተክለ እግዚአብሔር፣ ሌተና ኮሎኔል ብርሃኔ ቶላና ሌሎች በስም ያልተገለጹ አራት ኮሎኔሎችና ሁለት የዞን አመራሮች ይገኙበታል ሲሉ አስረድተዋል።ከተማረኩት ወ/ሮ ሙሉ በተጨማሪ ዓለም ብርሃኔ (ዶ/ር)፣ ኮሎኔል መብርሃቱ ገብረ መድኅን፣ ኮሎኔል ሀዱሽ ሃጎስ፣ ኮሎኔል ህሉፍ ተክለ መድኅን፣ ...</code> | <code>አዲስ አበባ፣ ህዳር 3፣ 2013 (ኤፍቢሲ) የቀድሞው የኢትዮጵያ የመከላከያ ሠራዊት በመከላከያ ሠራዊት ላይ የተፈጸመው ክህደት እንዳስቆጣው አስታወቀ።የቀድሞው የኢትዮጵያ የመከላከያ ሠራዊት አመራሮች ጋዜጣዊ መግለጫ የሰጡ ሲሆን መንግስት ጥሪ ካደረገላቸው ከመከላከያ ሰራዊት ጎን ለውጊያ ለመሠለፍ ዝግጁ መሆናቸውን ገልጸዋል፡፡ህወሓት ከዚህ በፊት የቀድሞ የሠራዊት አባላትን የበታተነ መሆኑን ያስታወሱት አመራሮቹ አሁንም ይህን ዓላማውን እንደገና ለማሳካትና የሥልጣን ጥማቱን ለማርካት መከላከያ ሠራዊት ላይ ጥቃት መፈጸሙን ነው በመግለጫቸው ያስረዱት፡፡የመከላከያ ሠራዊት ለሀገሩ ሲዋደቅ የቆየና ለሕዝብ የሞተ፣ የደማና የቆሰለ መሆኑን አስታውሰው በሠራዊቱ ላይ የተፈፀመው ጥቃት እጅጉን እንዳስቆጣቸውና ቡድኑ እስከሚደመሰስ ድረስ አብረው ለመዋጋት ዝግጁ መሆናቸውን በመግለጫቸው አረጋግጠዋል።በአሁን ጊዜ በሁሉም የሀገሪቱ ክፍሎች ከ274 በላይ ቅርንጫፎችን ይዞ በመንቀሳቀስ ላይ የሚገኘው ድርጅቱ በውስጡም ከአንድ ሚሊየን በላይ የሠራዊት አባላት እንዳሉት ከኢፌዴሪ መከላከያ ሰራዊት ገጽ ያገኘነው መረጃ ያመላክታል።</code> | <code>ከ21 ዓመት በላይ የሆነ ጤነኛ ሰው ለግለሰብ የሚፈቀድ የጦር መሣሪያ ፈቃድ በማውጣት ሊታጠቅ ይችላልበጦር መሣሪያ ንግድና በድለላ ለሚሰማሩ ሕጋዊ የንግድ ፈቃድ ይሰጣልከአገር መከላከያ ሠራዊት አባላት በስተቀር ሌሎች በክልል መንግሥታትና በፈዴራል መንግሥት የተደራጁ ሕግ አስከባሪ አካላት፣ መታጠቅ የሚችሉትን የጦር መሣሪያ ዓይነት የሚወስን ረቂቅ ሕግ ተጠናቆ ለውይይት ቀረበ። ረቂቅ ሕጉ የተዘጋጀው በፌዴራል ጠቅላይ ዓቃቤ ሕግ ሥር በተዋቀረ የሕግና ከጉዳዩ ጋር የተገናኘ የቴክኒክ ዕውቀት ባላቸው የባለሙያዎች ቡድን ሲሆን፣ የሕግ ሰነዱ ተጠናቆ በአሁኑ ወቅት ከባለድርሻ አካላት ጋር ውይይት እየተደረገበት እንደሚገኝ ምንጮች ገልጸዋል። ሪፖርተር ያገኘው ረቂቅ የሕግ ሰነድ ‹‹የኢትዮጵያ ፌዴራላዊ ዴሞክራሲያዊ ሪፐብሊክ የጦር መሣሪያ ቁጥጥር አዋጅ›› የሚል መጠሪያ የተሰጠው ሲሆን፣ የጦር መሣሪያ ቁጥጥር የአገርንና የሕዝብን ሰላምና ፀጥታ ለማስጠበቅ፣ እንዲሁም የዜጎችንና የሕዝቦችን መብትና ደኅንነት ለማስከበር አስፈላጊ መሆኑን በመገንዘብ የተረቀቀ መሆኑን የሰነዱ መግቢያ ያስገነዝባል። በማከለም ግለሰቦች የታጠቋቸው የጦር መሣሪያዎች የኅብረተሰቡን ሰላምና ፀጥታ ለማስጠበቅ ተግባር ብቻ ሊውል የሚቻልበትን አሠራር መፍጠር አስፈላጊ ሆኖ በመገኘቱ፣ እንዲሁም በሥራ ላይ ባሉ ሕጎችና አሠራሮች ያልተሸፈኑ ጉዳዮችን በዝርዝር ሕግ መደንገግና ወጥነት ያለው ሥርዓት መፍጠር በማስፈለጉ ሕጉ መዘጋጀቱን የሕግ ሰነዱ መግቢያ አንቀጾች ያስረዳሉ። ረቂቅ ሕጉ ለፀጥታ አስከባሪ አካላት የሚፈቀድ የጦር መሣሪያ ዓይነትና ብዛትን የሚደነግግ ሲሆን፣ የሕግ (ፀጥታ) አስከባሪ አካላት ለሚለውም የሕግ ትርጓሜ አካቷል። ‹‹ሕግ አስከባሪ ማለት የፌደራልና የክልል ፖሊስ ኮሚሽኖች፣ የፌደራልና የክልል ማረሚያ ቤ...</code> |
* Loss: <code>pylate.losses.contrastive.Contrastive</code>
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 32
- `learning_rate`: 1e-05
- `num_train_epochs`: 4
- `fp16`: True
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: steps
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 32
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 1
- `eval_accumulation_steps`: None
- `torch_empty_cache_steps`: None
- `learning_rate`: 1e-05
- `weight_decay`: 0.0
- `adam_beta1`: 0.9
- `adam_beta2`: 0.999
- `adam_epsilon`: 1e-08
- `max_grad_norm`: 1.0
- `num_train_epochs`: 4
- `max_steps`: -1
- `lr_scheduler_type`: linear
- `lr_scheduler_kwargs`: {}
- `warmup_ratio`: 0.0
- `warmup_steps`: 0
- `log_level`: passive
- `log_level_replica`: warning
- `log_on_each_node`: True
- `logging_nan_inf_filter`: True
- `save_safetensors`: True
- `save_on_each_node`: False
- `save_only_model`: False
- `restore_callback_states_from_checkpoint`: False
- `no_cuda`: False
- `use_cpu`: False
- `use_mps_device`: False
- `seed`: 42
- `data_seed`: None
- `jit_mode_eval`: False
- `use_ipex`: False
- `bf16`: False
- `fp16`: True
- `fp16_opt_level`: O1
- `half_precision_backend`: auto
- `bf16_full_eval`: False
- `fp16_full_eval`: False
- `tf32`: None
- `local_rank`: 0
- `ddp_backend`: None
- `tpu_num_cores`: None
- `tpu_metrics_debug`: False
- `debug`: []
- `dataloader_drop_last`: False
- `dataloader_num_workers`: 0
- `dataloader_prefetch_factor`: None
- `past_index`: -1
- `disable_tqdm`: False
- `remove_unused_columns`: True
- `label_names`: None
- `load_best_model_at_end`: False
- `ignore_data_skip`: False
- `fsdp`: []
- `fsdp_min_num_params`: 0
- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
- `fsdp_transformer_layer_cls_to_wrap`: None
- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
- `deepspeed`: None
- `label_smoothing_factor`: 0.0
- `optim`: adamw_torch
- `optim_args`: None
- `adafactor`: False
- `group_by_length`: False
- `length_column_name`: length
- `ddp_find_unused_parameters`: None
- `ddp_bucket_cap_mb`: None
- `ddp_broadcast_buffers`: False
- `dataloader_pin_memory`: True
- `dataloader_persistent_workers`: False
- `skip_memory_metrics`: True
- `use_legacy_prediction_loop`: False
- `push_to_hub`: False
- `resume_from_checkpoint`: None
- `hub_model_id`: None
- `hub_strategy`: every_save
- `hub_private_repo`: None
- `hub_always_push`: False
- `gradient_checkpointing`: False
- `gradient_checkpointing_kwargs`: None
- `include_inputs_for_metrics`: False
- `include_for_metrics`: []
- `eval_do_concat_batches`: True
- `fp16_backend`: auto
- `push_to_hub_model_id`: None
- `push_to_hub_organization`: None
- `mp_parameters`:
- `auto_find_batch_size`: False
- `full_determinism`: False
- `torchdynamo`: None
- `ray_scope`: last
- `ddp_timeout`: 1800
- `torch_compile`: False
- `torch_compile_backend`: None
- `torch_compile_mode`: None
- `dispatch_batches`: None
- `split_batches`: None
- `include_tokens_per_second`: False
- `include_num_input_tokens_seen`: False
- `neftune_noise_alpha`: None
- `optim_target_modules`: None
- `batch_eval_metrics`: False
- `eval_on_start`: False
- `use_liger_kernel`: False
- `eval_use_gather_object`: False
- `average_tokens_across_devices`: False
- `prompts`: None
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
| Epoch | Step | Training Loss | Validation Loss | accuracy |
|:------:|:----:|:-------------:|:---------------:|:--------:|
| 0.4184 | 1000 | 0.5172 | - | - |
| 0 | 0 | - | - | 0.9665 |
| 0.4184 | 1000 | - | 0.3057 | - |
| 0.8368 | 2000 | 0.3459 | - | - |
| 0 | 0 | - | - | 0.9700 |
| 0.8368 | 2000 | - | 0.2722 | - |
| 1.2552 | 3000 | 0.3008 | - | - |
| 0 | 0 | - | - | 0.9718 |
| 1.2552 | 3000 | - | 0.2513 | - |
| 1.6736 | 4000 | 0.2641 | - | - |
| 0 | 0 | - | - | 0.9731 |
| 1.6736 | 4000 | - | 0.2383 | - |
| 2.0921 | 5000 | 0.2426 | - | - |
| 0 | 0 | - | - | 0.9733 |
| 2.0921 | 5000 | - | 0.2323 | - |
| 2.5105 | 6000 | 0.2166 | - | - |
| 0 | 0 | - | - | 0.9748 |
| 2.5105 | 6000 | - | 0.2267 | - |
| 2.9289 | 7000 | 0.2164 | - | - |
| 0 | 0 | - | - | 0.9753 |
| 2.9289 | 7000 | - | 0.2236 | - |
| 3.3473 | 8000 | 0.1931 | - | - |
| 0 | 0 | - | - | 0.9753 |
| 3.3473 | 8000 | - | 0.2208 | - |
| 3.7657 | 9000 | 0.1975 | - | - |
| 0 | 0 | - | - | 0.9756 |
| 3.7657 | 9000 | - | 0.2203 | - |
| 0 | 0 | - | - | 0.9757 |
### Framework Versions
- Python: 3.11.12
- Sentence Transformers: 4.0.2
- PyLate: 1.2.0
- Transformers: 4.48.2
- PyTorch: 2.6.0+cu124
- Accelerate: 1.6.0
- Datasets: 3.6.0
- Tokenizers: 0.21.1
</details>
## Citation
```
@inproceedings{mekonnen2025amharic,
title={Optimized Text Embedding Models and Benchmarks for Amharic Passage Retrieval},
author={Kidist Amde Mekonnen, Yosef Worku Alemneh, Maarten de Rijke },
booktitle={Findings of ACL},
year={2025}
}
``` |