zpwiki/pages/students/2019/kristian_sopkovic/README.md

title	published	taxonomy
Kristián Sopkovič	true	category tag author bp2022 dp2024 spacy nlp Daniel Hladek

rok začiatku štúdia: 2019

Dizertačná práca 2028

Cieľ:

• Vylepšiť RAG-QA v slovenskom jazyku.

Stretnutie 6.11.2024

Kritériá na rok 24-25:

• Získať min. 40 bodov za publikácie podľa tabuľky dole.

Plán na publikácie - povinná jazda:

• SCYR 8B
• RADIOELEKTRONIKA 2025 15
• RADIOELEKTRONIKA 2025 15 (Eva Kupcová)
• V prípade núdze EEI alebo AEI. Tam sa dajú uverejniť aj výsledky záverečných prác.

Ďalšie "jednoduché" konferencie kde zvykneme chodiť:

• ELMAR
• SAMI
• CINTI
• ICETA
• ITAT

Treba overiť konkrétny termín "uzávierky" hodnotenia doktoranda.

Plán na publikácie - Conference our level:

• Slovko (výstup ide do Jaz. časopisu)
• TSD 2025
• LREC-COLING 2026 konferencia.

Plán na publikácie - Journal our level:

• Jazykovedný časopis, má dobré hodnotenie (Scopus Q2-eq. WOS Q3)
• IEEE Access Q2
• PeerJ Computer Science Q2
• Pattern Recognition Q2
• Nature Scienfic Reports Q2
• Language Resources and Evaluation Q3
• Natural Language Processing (Journal) asi Q3

Plán na publikácie - Cream de la Creme:

• INTERSPPECH
• ENLP alebo iná ACL konferencia

Stretnutie 21.6.

Nápady na tému DP:

• Agentový prístup k získavaniu informácií. Agent vie iniciatívne získať ďalšie potrebné informácie pre splnenie cieľa získavania informácií.
• Grafová reprezentácia informácie - vyhľadávanie v štruktúrovaných, prepojených dokumenotch.
• Zlepšenie modelov vektorovej reprezentácie.
• Tvorba nových "základných" generatívnych modelov.

Diplomová práca 2024

Neurónové vyhľadávanie na základe sémantickej podobnosti vektorov.

1. Vypracujte prehľad metód neurónovej vektorovej reprezentácie viet alebo odsekov.
2. Pripravte trénovaciu množinu a natrénujte model vektorovej reprezentácie dokumentov.
3. Vyhodnoťte natrénovaný model vo viacerých experimentoch.
4. Identifikujte slabé miesta modelu a navrhnite jeho zlepšenia.

Zadanie sa ešte môže zmeniť.

Súvisiace práce: Michal Stromko

Cieľ je zlepšiť slovenské vyhľadávanie pomocou neurónových sietí.

Námety na tému:

• Natrénujte alebo dotrénujte Sentence Transformer Model, alebo iný model pre sémantícké vyhľadávanie. Aké sú potrebné databázy? Je možné dotrénovať multilinguálny model?
• Vytvorte databázu pre trénovanie SBERT. Strojový preklad, existujúcej NLI databázy, Semantic Textual Similarity databázy. Alebo ak získame grant, tak vytvoríme "originálnu" (klon) slovenskú databázu.
• Vytvorte kognitívne vyhľadávanie pre mesto Košice

Slovak Semantic Textual Similarity Benchmark na trénovanie Sentence Transformer

Diplomový projekt 2

Stretnutie 1.3.2024

Stav:

• Práca na teórii
• Preskúmané modifikátory stratovej funkcie - Matrioshka embedding. Metóda zníženia dimenzie embeddingov.
• Porovnané slovenská (preložená) SNLI-sk a STSB-sk. e5 small model (374dim) MNLR plus loss modifier a matrioshka LOSS.

Stretnutie 29.1.2024

Stav:

• Príprava prezentácie.
• Natrénované viacerá MNLR modely a vyhodnotené na SK QUAD, zostavená tabuľka s výsledkami. Najlepšie vychýdza dotrénovaný e5 model, SlovakBERT dotrénovaný je 2. najlepší. Na dotrénovanie boli použíté preložené SNLI dáta.

Stretnutie 15.12.2023

Stav:

• Lepšie preložená databáza (Azure) SNLI a STSB-SK (pôvodne preložená cez OPUS).
• Natrénovaný Bi Encoder (SNLI) aj Cross Encoder (STSB) zo SlovakBERT a E5.

Úlohy:

• Vyhoddnotte natrénované modely a výsledky sumarizujte v dip. práci. Môžete použit slovenský dataset od M Stromka keď bude.
• Datasety a modely nahrajte na HF HUB, zatiaľ privátne. TUKE-DeutscheTelekom ORG. Zistite vo firme podmienky zverejnenia.
• Po Novom roku dodajte draft DP.

Zásobník úloh:

• Porozmýšľajte nad článkom.

Stretnutie 3.11.2023

Stav:

• Sú spracované ďalšie dáta o službách z Magistrátu Košíc.
• Dotrénovanie multilinguálnych modelov na NLI databázach. MNLR loss. Model E5 a varianty. Batch size by mala byť najmenej 256. LR na finetuning je E-5. Preto je možné pracovať iba so SMALL model. Max seq. len bol orezaný na 256 z 512 aby to išlo na 1x24 GB Titan.
• SIMSCE prístup na trénovanie pomocou MNLR, je SOTA. Koher reranker je tiež SOTA, ale je komerčný.
• Pokračujeme v minulých úlohách.
• Evaluačná množina SK QUAD bola preložená do nemčiny a angličtiny.
• Mistrail LLM model natrénovaný na európskych jazykoch.

Úlohy:

• Chceme dotrénovať E5 model na anglickom, nemeckom a slovenskom SNLI pre úlohu kros linguálneho IR. Vyhodnocovať budeme na SQUADE anglickom, nemeckom a slovenskom jazyku.
• Pokračujte v písaní diplomovej práce. Pripravte si osnovu a ku každej časti napíšte čo by v nej malo byť. Udržiavajte si zoznam použitej literatúry. Poznačte si bib. údaje o článkoch a knihách z ktorých čerpáte, priradte kódy jednotlivým záznamom.

Zásobník úloh:

• Výsledky budeme demonštrovať na košických dátach.

Stretnutie 13.10.2023

Stav:

• Spracované dáta z mesta Košice - 110 najčastejších otázok a odpovedí.
• Nasadená 13B ChatLLama na Titan, 4 bit kvantizácia.

Úlohy:

• Chceme vytvoriť model pre cross-lingual information retrieval. Model bude vedieť vytvoriť "vyhľadávací embedding" pre texty a otázky vo viacerých jazykoch.
• Na základe dostupných dát natrénujte takýto model. K dispozícii máme preloženú Slovak NLI, Anglickú NLI. Určite existujú aj iné jazyky. Zoberte viacero NLI databáz a dotrénujte z nich multilinguálny model. Aký model je najlepší ako "základ"? Možno multilinguálne SBERT: E5, mpnet, miniLM.
• Model vyhodndotte na dostupných databázach.
• Prečítajte si viacero nových článkov na tému "mutlilingual alebo crosslingual" "information retrieval" "document embeddings". Urobte si poznámky do DP.

Zásobník úloh:

• Košické dáta je možné využiť pri vyhdonotení.
• Možno dáta na vyhodnotenie slovenského IR vytvorí aj M. Stromko.
• Pripraviť API na ChatLLAma.

Stretnutie 28.9.20023

Stav:

• Vieme pracovať - natrénovať SBERT (Sentence Transformer).
• Je strojovo preložená SNLI databáza pomocou Marian NMT setup.

Nápady:

• Získať dáta-dokumenty z webovej stránky mesta Košice.
• Získať informácie z webovej stránky https://www.esluzbykosice.sk/
• Spracovať dáta o často kladených otázkach, ktoré sme dostali z mesta Košice.
• Spracovať dáta o agende, ktoré sme dostali z mesta Košice.
• Vytvoriť ku týmto dátam "asistenta" pre získavanie informácí.

Úlohy:

• [-] Porozmýšľať ktorú časť problému "pomoci občanom mesta Košice" by sme mohli riešiť.
• [-] Spracujte dodané dáta od mesta Košice (vedúci pripraví a pošle).
• Dáta zaindexujte a pripravte jednoduché vyhľadávanie.
• Pokračujte v písomnej teoretickej príprave na tému "Sentence Transformers".

Zásobník úloh:

• Pripravte scraper na dáta od mesta Košice.

Diplomový projekt 1

Stretnutie 2.6.2023

Stav:

• Natrénovaný IR retriever
• Natrénovaný model pre generatívne odpovede na báze Slovak T5 Small.
• Práca na texte

Stretnutie 25.5.

Stav:

• Trénovanie MNLR nebolo v poriadku, lebo boli použité iba kladné príklady.

Úloha:

• Natrénovať model SNLI. Natrénovať iný model STSB.
• Porovnajte ich ako cross-encoder. Vyhodnoťte recall vyhľadávania na databáze sk-quad.
• Porovnajte to so základným modelom mnlr sk quad.
• Skúste oba modely dotrénovať na MNLR skquad a vyhodnotiť.
• pracujte na písomnej časti.

Stretnutie 5.5.2023

Stav:

• Natrénovaný model MNLR SlovakBERT na preloženej databáze Standformd SNLI.st.: tot je asi zle
• Urobnené predbežné vyhodnotenie - analýza strednej hodnoty kosínusovej podobnosti pre triedy entailment, contradiction, neutral.
• Výsledkom MNLR je kosínusové podobnisť.
• Urobené aj softmax trénovanie. Výsledkom softmax je trieda pre 2 zadané vety.

Úlohy:

• Upravte a dajte trénovacie skripty na GIT.
• Vyhodnotiť presnosť klasifikácie softmax pomocou konfúznej matice - p,r,f1
• Dotrénovať SNLI ST na SK Quad a vyhodnotiť na úlohe sémantického vyhľadávania. - recall. To tj e zlá úloha.
• Pracujte na písomnej správe, ktorá poslúži ako základ pre DP a pre článok. Do textu opíšte trénovanie ktoré ste vykonali, postup pri preklade, návrh experimentov a výsledky. Do teoretickej časti píšte o sentence transformeroch.

Zásobník úloh:

• Cieľom je poblikovať kvalitný článok.
• Cieľ 2 je aplikovať model pre úlohu vyhonotenia súladu staevebnej dokumentácie so regulatívou - zákonmi a vyhláškami.
• Využijeme databázu STSB-sk (na hf hube) ako ďalší zdroj dát
• Pripravte porovnávacie experimenty pre anglické datasety.
• Do ďalších experimentov zahrňte multilinguálne modely.

Stretnutie 24.4.2023

Stav:

• Preložené SNLI - všetky 3 časti.

Stretnutie 17.3.2023

Stav:

• Je preložená SNLI databáza, trénovacia časť. Použitý OPUS Helsinki NLP model

Úlohy:

• Preložiť aj testovaciu časť.
• Natrénovať Sentence Transforner (ST) na databáze SNLI, podľa SlovakBERT.
• Dotrénovať SNLI ST na SK Quad a vyhodnotiť na úlohe sémantického vyhľadávania. - recall
• Podobným spôsobom vyhodnotiť Slovakbert-stsb.
• Napíšte o tom čo je to ST, ako funguje. Pripravte prehľad databáz na trénovanie ST.

Zásobník úloh:

• Porovnať s slovakbert-crossencoder na tuke-dtss modelmm.

Stretnutie 17.2.2023

Úlohy

• Zoberte existujúci model SlovakBERT-stsb a použite ho na dotrénovanie bi-encódera na databáze SK quad. Porovnajte presnosť vyhľadávania s bi-encóderom natrénovaným iba na SlovakBERT (dodá vedúci). Použite skripty v repozitári slovak-retrieval.
• Urobte prehľad databáz potrebných na dotrénovanie Sentence Transformer. Vyberte vhodnú databázu na strojový preklad, napr. nejakú NLI databázu. Použite ju na dotrénovanie bi-encódera.

Zásobník úloh:

• Zistite ako využiť slovenský generatívny model pre sémantické vyhľadávnaie. Pripravte experiment a vyhodnotte ho.
• Vyberte databázu pre sémantické vyhľadávanie alebo question answering na vhodnú na vytvorenie slovenského klonu.

Stretnutie 24.11.

Úlohy:

• Porozmýľať ďalej o téme, komuikovať o možnom grante na anotáciu.
• Vyskúšajte Sentence Transformers framework. Pozrite si príklady, ako trénovať.
• Prečítajte si článok https://arxiv.org/abs/1908.10084.
• Zistite, čo je Natural Language Inference, aké sú dostupné databázy.
• Zistite, čo je Semantic Textual Similarity, aké sú dostupné databázy.
• Pozrite si https://git.kemt.fei.tuke.sk/dano/slovakretrieval/

Bakalárska práca 2022

Návrh na názov bakalárkej práce:

Model Spacy pre spracovanie prirodzeného jazyka v slovenčine

Ciele bakalárskej práce:

• Zlepšiť presnosť modelu Spacy pre slovenčinu

Zadanie:

1. Zistite ako pracuje knižnica Spacy a opíšte metódy ktoré používa.
2. Natrénujte model pre spracovanie slovenského prirodzeného jazyka.
3. Vykonajte viacero experimentov a zistite presnosť pri rôznych parametroch.
4. Identifikujte slabé miesta a zlepšite presnosť spracovania.

25.3.2022

• Zopakované trénovanie POS aj NER
• Zisitili sme, že keď sa NER trénuje osobitne bez POS tak dáva lepšie výsledky. Prečo?
• konfiguračné súbory sú na githube. malý nepoužíva slovné vektory, stredný používa 200000 ti. slov vektorov.
• uncased multilingual bert vychadza lepsie ako cased.
• v konfiguácii sú fasattext slovné vektory aj multilingualbert uncased. Používajú sa slovné vektory pri klasifikácii???

Úlohy:

• Zosumarizovať výsledky experimentov do písomneč časti
• Finalizovať BP - na ďalšom stretnutí prejdeme spolu draft.
• Pripraviť skripty na natrenovanie modelov na verejnú distribúciu.

4.3. 2022

• Natrénované NER modely Spacy Transformers, výsledky sú na wandb

Úlohy:

• Pripraviť modely (návody na trénovanie) na verejnú distribúciu.
• Natrénovať menšie modely bez slovných vektorov.
• [-] Pokračovať v písaní.
• Vytvoriť rozhranie pre využitie modelov huggingface ,modelov slovakbert. Využiť spacy-transformers alebo spacy-sentence-transformers.
• Na githube vytvorte fork alebo branch repozitára, dajte mi prístup. tam bude pracovná verzia s novými modelmi.

25.2.2022

• Vyskúšané experimenty s hyperparametrami s pôvodnou architektúrou POS modelu.
• Zmenená architektúra POS na Spacy Transformer (bez BERT predtrénovania, využíva slovné vektory). Dosiahnuté zlepšenie POS z 0.8 na 0,9. Výsledky sú vo forme grafu dostupné na wandb

Úlohy:

• Zdieľať wandb projekt,
• Vyskúšať transformers architektúru na NER model.
• Vyskúšať BERT architektúry - MultilingualBERT, SlovakBERT, LABSE, Slovak GPT
• Pracujte na texte

Bakalársky projekt 2021

18.2.2022

• Na idoc je problém s timeout pri zostaení pip balíčka, ale funguje trénovanie spacy pos

Úlohy:

• Zatiaľ sa sústrediť na POS model čo funguje.
• Do týždňa opraviť idoc (pre vedúceho).

7.2.2022

• Rozbehaný trénovací skript na vlastnom počítači
• Spustených niekoľko experimentov.

Úlohy:

• Pokračujte v otvorených úlohách.
• Výsledky experimentov dajte do tabuľky do práce.

Zásobník úloh:

• Skúste použiť logovací nástroj https://docs.wandb.ai/guides/integrations/spacy
• Skúste rozbehať trénovacie skripty na školskom servri. Problémy vytriešime na konzultácii.

26.11. 2021

• Absolvovaný kurz Explosion https://course.spacy.io/en/
• Mierne zlepšený text práce.

Úlohy:

• Vytvorte GIT a vložte do neho svoje trénovacie skritpy. Nedávajte tam veľké textové súbory. Dajte odkazy odkiaľ ste získali dáta. Celý proces by mal byť opakovateľný,
• Skúste zlepšiť hyperparametre môjho trénovacieho skriptu spacy3
• Skúste pridať MultilingualBert do trénovania.
• Pokračujte v práci na textovej časti.
• Vytvorené modely je potrebné vyhodnotiť. Pozrite ako to je v mojom Spacy repozitári.

Zápis 21.10.

Vyskúšať toto:

• MultilingualBert. Dá sa adaptovať na Slovak Treebank.
• Spacy Transformers

Stretnutie 15.10.

Stav:

• Rozpracovaná kapitola o Spacy
• Pokusné trénovanie HuggingFace v Pytorch

Úlohy:

• Pokračovať v otvorených úlohách.

Zásobník úloh:

• Aplikovať model BERT do Spacy Pipeline.

Stretnutie 1.10

Stav:

• Vypracovaných asi 8 strán osnovy
• Preštudované Transformery a Spacy
• Vyskúšané trénovanie Pytorch

Úlohy:

• Pripravte si prostredie Anaconda a v ňom spustite trénovanie.
• Pokračovať v otvorených úlohách.

Stretnutie 24.9.2021

Stav:

• Naštudovaná knižnica Spacy - pozreté tutoriály
• Vytvorený prístup na idoc

Úlohy:

• Spustite trénovanie podľa skriptov na githube. Môžete použiť server idoc.
• Skúste napísať osnovu BP práce.
• Nájdite odborný článok na tému "Transformer neural network" a do BP napíšte čo ste sa dozvedeli.
• Stručne napíšte čo je to knižnica Spacy a ako pracuje. Citujte aspoň jeden odborný článok.
• Zistite ako by sa dal zlepšiť proces trénovania.

Stretnutie 25.6.2021

• Vytvorený prístup do repozitára spacy-skmodel na GIThube

Úlohy:

• Skúste spustiť trénovací skript a natrénovať slovenský spacy model
• Pozrite si bakalársku prácu Martin Wencel