zpwiki/pages/students/2020/vladyslav_krupko/README.md

title	published	taxonomy
Vladyslav Krupko	true	category tag author bp2024 spelling Daniel Hladek

rok začiatku štúdia: 2020

Bakalárska práca 2024

1. Napíšte prehľad existujúcich jazykových modelov pre generovanie slovenského jazyka.
2. Získajte a pripravte korpus dát pre úlohu generovania odpovedí v slovenskom jazyku. Vyberte vhodný zdroj a pripravte ho do podoby vhodnej na trénovanie neurónových sietí. Sumarizujte získané dáta v tabuľke.
3. Natrénujte neurónovú sieť pre úlohu generovania odpovede a vyhodnoťte výsledky.
4. Vyhodnoťte experimenty, identifikujte slabé miesta a navrhnite vylepšenia.

Na Maise je vypísaná nová téma ohľadom "konverzačnej umelej inteligencie". Je potrebné čím skôr finalizovať tému aj praconvé úlohy.

Ciele:

• Dotrénovať ChatGPT alebo iný generatívny model pre vlastnú databázu otázok a odpovedí.

Stretnutie 15.5.2025

Stav:

• Rozpísaná práca
• Experimenty sú pripravené (podrobne neviem).

Úlohy:

• Dajte prácu do šablóny a vypracujte ASAP.
• Stiahnite si zadávací list a šablónu z ETD knižnice.
• Zaregistrujte sa do knižnice na vytlačenie práce. Na to budete potrebovať titulný list a počet strán.
• Pošlite vedúcemu na kontrolu čím skôr (do budúceho utorka).
• Na vyhodnotenie generatívneho modelu použite metriku BLEU. Na to potrebujete očakávaný výstup modelu.

Stretnutie 26.4. 2024

Stav:

• Práca na dátach GymBeam. Scraper ide. Máme otázky o procese objednania.
• Vyskúšané mt5, llama 2 7B, mixtral,

Úloha:

• Pripravte dáta na úlohu odpovede na otázku. V jednej jednotke by mala byť otázka, odpoveď a dokument kde sa nachádza odpoveď. Urobte niekoľko 100 jednotiek. Dáta rozdeľte na dve skupiny - trénovaciu aj testovaciu. Dáta dajte do podoby kompatibilnej s databázou sk-quad.
• Ku Vašim dátam môžete primešať dáta zo SK QUAD.
• Naučte rôzne neurónové siete mt5base, Slovakbert, llama odpovedať na otázku a vyhodnnotte výsledky. Na quadro nainštaluje Anaconda.
• Nainštalujte Pytorch, Transformers z repozitára. Použite screen alebo tmux na spustenie.Kartu vyberiete pomocou premennej prostredia CUDA_VISIBLE_DEVICES.
• Použite skripty z https://github.com/huggingface/transformers/tree/main/examples/pytorch/question-answering .
• Pokračujte v písaní práce.

Zásobník:

• Na dotrénovanie LLAMA alebo podobného modelu musíte použiť PEFT. https://www.theaidream.com/post/fine-tuning-large-language-models-llms-using-peft

Stretnutie 29.1.2024

Stav:

• Prezentácia je.
• Získané dáta z GymBeam. Selenium Scraper je veľmi pomalý, nevieme prečo.
• Vyskúšané ChatGPT API s dátami čo máme. Odpoveď je zatiaľ po anglicky.
• Na prevod z csv do json je použitá LLAMA.

Úlohy:

• Na vyhdonotenie je potrebné rozdeliť dáta na dve časti, trénovaciu a testovaciu. Testovacie dáta vynechajte z trénovania. Sledujte čo generuje model a porovnajte to s tým čo je očakávané v dátach. Ako metriku porovnania použite ROUGE alebo BLEU.
• Výsledky dajte do tabuľky do práce.
• Pokračujte v písaní práce.
• Pokračujte v získavaní a príprave dát.

Zásobník:

• Na rovnakých dátach natrénujte "lokálny model" pomocou skriptov Huggingface (machine translation) - mt5-base, llama-7B-4bit . Musíte nainštalovať transformers zo zdrojákov. Musíte si vytvoriť nové virtuálne prostredie a najprv nainštalovať pytorch.

Stretnutie 15.12.2023

Stav:

• Napísané texty podľa pokynov. Experimenty ešte neboli vykonané.

Úlohy:

• Z webu získajte vhodnú sadu otázok a odpovedí. Uložte ju vo formáte json - jeden dokument na jede riadok. Využite Váš scraper. Ako zdroj skúste použiť Otázky zákazníkov z GymBeam. Uložte - v jednom dokumente by mal byť informácie o produktem otázky aj odpovede. Ak sa to nepodarí, zamerajte sa na iný zdroj dát. Napríklad https://www.modrastrecha.sk/forum/ , alebo https://www.modrykonik.sk/forum.
• Pripravte dáta do vhodnej podoby a natrénujte generatívny model - ChatGPT, T5-SMALL,
• Vyhoddnotte všetky modely, výsledky sumarizujte v tabuľkách. Experimenty opíšte do práce.
• Urobte si repozitár bp2024 na git.kemt.fei.tuke.sk. Skripty dávajte na git.

Stretnutie 21.11.2023

Stav:

• Napísaný text na tému Seq2Seq.
• Napísaný scraper pre získavanie dát z E shopu.

Úlohy:

• Skúste dotrénovať model ChatGPT. Využijeme kredity Azure pre študentov . Prihlásite sa ako študent do MAISU. Prejdite si tutoriál. Dávajte pozor, aby ste si nevyčerpali študentské kredity.
• Zistite, ako funguje ChatGPT a ako ho dotrénovať. Prečítajte si niekoľko blogov a napíšte si poznámky. Použite aj odkazy na odborné články.
• Zistite, ako vyhodnotiť dotrénovaný model. Ako funguje https://github.com/openai/evals ? Napíšte o tom poznánky.

Zásobník úloh:

• Na generovanie odpovedí použijeme jednoduchý model T5-small v HF transformers.
• Vytvorte trénovaciu databázu ktorá Vás zaujíma vo formáte ktorý je požadovaný. Druhá možnosť je využiť "Košické dáta".
• Preštudujte si knihu https://d2l.ai/ a napíšte si z nej poznámky.
• Zistite ako funguje model T5 a model BART a napíšte o tom správu na 3 strany. Odborné články vyhľadajte na Google Scholar. Do správy zapíšte ktoré odborné články ste prečítali.
• Nainštalujte si prostredie Anaconda.
• Nainštalujte si knižnicu HF transformers, prejdite si základný tutoriál.
• Prejdite si tutoriál https://huggingface.co/docs/transformers/tasks/summarization

Bakalárska práca 2023

Téma: Oprava preklepov v slovenskom jazyku.

Súvisiaca dizertačná práca Maroš Harahus.

Cieľ:

• Naštudovať si problematiku opravy preklepov a napísať prehľad aktuálnych metód.
• Vykonať jednoduchý experiment na automatickú opravu preklepov pomocou neurónovej siete.
• Naprogramovať webovú demo aplikáciu.

Stretnutie 28.9.2023

Stav:

• Nainštalovaná Anaconda, problém s CUDA.

Úlohy:

• Pokračujte v otvorených úlohách z minulého roka.
• Na inštalovanie Pytorch je potrebné nainštalovať najprv CUDa cez Anaconda.

conda install pytorch==1.10.0 torchvision==0.11.0 torchaudio==0.10.0 cudatoolkit=10.2 -c pytorch

Nápad:

• Natrénovať chatbota pre pomoc zákazníkom. Aké trénovacie dáta a aký model použiť?

Stretnutie 29.9.2022

Úlohy:

• Prečítajte si článok "Survey of Automatic Spelling Correction" a napíšte z neho poznámky na cca 2 strany.
• Prečítajte si článok Comparison of recurrent neural networks for slovak punctuation restoration.
• Zistite, ako funguje neurónový strojový preklad. Prečítajte si niekoľko blogov a napíšte si poznámky na jednu stranu, uveďte aj odkazy na články. Kľúčové slovíčko je enkóder-dekóder architektúra.
• Nainštalujte si systém Anaconda.
• [-] Nainštalujte si knižnicu Pytorch

Zásobník úloh:

• Nainštalujte si systém Fairseq
• Prejdite si aspoň jeden fairseq tutoriál, napr. https://fairseq.readthedocs.io/en/latest/tutorial_simple_lstm.html

Zásobník úloh:

• Vybrať dáta a urobiť experiment.
• naprogramovať demo.