zpwiki/pages/students/2018/ondrej_megela/README.md

title	published	taxonomy
Ondrej Megela	true	category tag author bp2021 dp2023 nlp fairseq lm bert question-answer qa Daniel Hladek

Ondrej Megela

Začiatok štúdia: 2018

Súvisiace stránky:

• Oleh Bilykh - question answering
• Lukáš Pokrývka - paralelné trénovanie
• Question Answering - interný projekt
• Matej Čarňanský (BERT)

Pozrieť toto:

https://paperswithcode.com/task/text-generation?page=3

Diplomová práca 2023

https://opac.crzp.sk/?fn=detailBiblioForm&sid=E4E659F3575B0C5BCF0F726CCD36

Nazov:

Automatické generovanie otázok v slovenskom jazyku

1. Vypracujte prehľad generatívnych jazykových modelov.
2. Vypracujte prehľad vyhodnocovacích metrík pre generatívne modely.
3. Navrhnite a vykonajte viaceré experimenty pre úlohu generovania otázok.
4. Vyhodnoťte experimenty vhodnou metrikou a navrhnite zlepšenia modelu generovania otázok.

Súvisiace práce:

• Dávid Omasta

Cieľ: Využiť slovenský generatívny model na tvorbu databázy otázok a odpovedí.

https://git.kemt.fei.tuke.sk/om385wg/DP

Stretnutie 24.2.2023

Stav:

• Vytvorený notebook pre vyhodnotenie generovanie otázok pomocou BLEU. Zatiaľ nefunguje, pretože asi je potrebné spoávne zoradiť vygenerovanú otázku a referenciu, Ku paragrafu môže existovať viacero rôznych otázok, preto je tažké ich porovnať pomocou BLEU ngramov.

Úlohy:

• Na vyhodnotenie použiť sémantický model. POdľa modelu vytvoriť dvojice - generovaná veta a referencia.
• Na vyhodnotneie použiť "Answerability" - QA model s thresholdom.
• Pracovať na diplomovej práci - písať prehľad - metódy, metriky vyhodnotenia, datasety.
• Do DP pripraviť experiment s vyhodnotením.

Zásobník úloh:

• Priradiť vgenerované vety ku referencii na základe sémantickej podobnosti.
• Priamo merať sémantickú pokdobnosť vygenerovaných viet a referenciíá.
• Použiť operátor max, mean alebo kl-diveregencia, cross-entropy?

Stretnutie 23.1.2023

Stav:

• Modifikovany ssk quad dataset, tak aby aby sa dal vykonat finetuning t5. Vstupom je kontext a viacero otazok.
• Dotrenovany t5 model na generovanie otazok. Vyzera ze ide.
• Vyskusany few shot learning pomocou prikladov zo sk quad.

Ulohy:

• Pokracovat v pisani podla aktualizovaneho zadania
• Implementovat vyhodnbotenie generovania otazok. Vyhodnotenie pomocou generovanej odpovede. BLEU-ROUGE-METEOR pre gemnerovanue otazky a gold truth otazky. Ako sa to robi v literature ? Zistit a napisat.

Zasobnik uloh:

• Navrhnut eperimenty pre DP/clanbok.
• porovnat slovensky a anglicky model. Mozno aj iny jazyk.
• vyskusat, ako pomahaju generovane toazky pri QA.
• rucne vyhodnotit vygenerovane otazky.

Stretnutie 22.12.

• Slovenský GPT model nefunguje na few shot generovanie otázok.
• Existuje slovenský T5 model small. Ten funguje.
• Vyskúšaný finetuning na colabe na slovenský T5 model na anglických dátach, zbehol za 1.5. hodiny.
• Nájdený QA evaluátor, ktorý ohodnotí vygenerované otázky pomocou BERT. Evaluátor hodnotí, či otázka a odpovedˇ sedia spolu. Trénuje sa na rovnakom datasete ako generátor.
• QA evaluátor a generátor https://github.com/AMontgomerie/question_generator
• Finetuning slovenského T5 https://colab.research.google.com/drive/1z-Zl2hftMrFXabYfmz8o9YZpgYx6sGeW?usp=sharing

Úlohy:

• Pracovať na textovej časti DP a.k.a. ATKS
• Skontrolovať a na ďalšom stretnutí updatovať zadanie DP.
• Dokončiť skripty a generovať otázky pre slovenský jazyk.
• Vyhodnotiť kvalitu generovania otázok.
• Pripraviť experiment, kde vo viacerých scenároch (finetuning, few shot) generujeme otázky.

Zásobník úloh:

• Pripraviť článok (do časopisu). Najprv prekladom z DP.
• Pripraviť aj out-of-domain test - iná doména (noviny, úäradné dokumenty). Iný jazyk. Porovnanie slovenského a anglického generovanie.
• Pripraviť test, kde odmieriame prínos automaticky generovanej databázy na probmém question answering.
• Použiť generátor pri manuálnej anotácii. Človek môže hodnotiť kvalitu generovanej otázky alebo ju opraviť.

Stretnutie 28.10

Stav:

• Vyskúšaný slovenský GPT model v rôznych veľkostiach. Generovanie funguje. Obbmedzene funguje aj zero shot sentiment classification. Zagtiaľ nefuguje pre generovanie otázok.

Úlohy:

• Pokračovať v Zero Shot: Vymeniť Sentence za Veta. Pozrieť Separátor v slovníku.
• Skúsiť rozbehať run_clm pre slovenský GPT model pre úlohu generovania otázok. Poskytnutý prístup do repozitára bert-train. Ak skript bude fungovať, tak ho pridajte do repozitára bert-train/huggingface/clm

Zásobník úloh:

• Možno by sa dalo formulovať úlohu ako klasický machne translation a použiť niekotrý existujúci setup pre preklad bez predtrénovania. Existujú skripty pre fairseq.
• Možno bude fungovať nejaký multilinguálny generatívny model.

Stretnutie 7.10:

Stav:

• PatilSuraj zatiaľ nefunguje. Funguje iba na T5 a Bart vlastné anglické, nefunguje na gpt-j ano na mt5. Stále je tam možnosť vyskúšať vlastný slovenský BART.

Úlohy:

• Vyskúšať slovenský GPT model v úlohe few-shot learning. Inšpirácia https://huggingface.co/blog/few-shot-learning-gpt-neo-and-inference-api. Použite niektorý prístup z patilsuraj.
• Vyoracujte písomný prehľad generatívnych jazykových modelov.
• Vypracujte písomný prehľad metód generovania otázok pomocou jazykového modelu. Nezabudnite na odkazy na odbornú literatúru.

Zásobník úloh:

• Dotrénovať slovenský GPT model pomocou HF skriptu run_clm.py
• Zistiť aký veľký model nám funguje.
• Vybrať vhodný server na dorénovanie. Koľko GRAM potrebujeme?
• Záložná možnosť - písať pre anglický jazyk.

Diplomový projekt 1 2022

Cieľ:

• Vytvoriť a vyhodnotiť generatívny model slovenského jazyka.
• Navrhnúť a vytvoriť overovaciu množinu pre slovenské generatívne modely.

Stretnutie 29.6.

• Vyskúšané dosadenie slovenského GPT modelu do kódu patil-suraj. Nefunguje - nepasuje konfigurácia.
• Vyskúšané nasadenie Multilingual T5. Podarilo sa ho nahrať. Chyba "index Out Of Range".

Úlohy:

• Pokračovať v otvorených úlohách. Rozbehať skripty "patil-suraj".

Zásobník úloh:

• Vyskúšať existujúci slovenský BART model (od vedúceho).
• Natrénovať a vyskúšať nový slovenský BART model (aj pre vedúceho).

Stretnutie 8.4.

Prezreté sú tri repozitáre. kompatibilné s HF Transformers

https://github.com/p208p2002/Transformer-QG-on-SQuAD#seq2seq-lm

• Používa modely GPT-2, BART,T5, upravený „BERT“
• vstup ide odsek + zvýraznená odpoveď pomocou tokenu [HL]

Haystack deepset – QG pipeline

• Postup: (https://haystack.deepset.ai/tutorials/question-generation)
• kompatibilný s HF Transformers
• https://github.com/deepset-ai/haystack#mortar_board-tutorials
• https://www.deepset.ai/blog/generate-questions-automatically-for-faster-annotation

https://github.com/patil-suraj/question_generation

• Využíva 2 formáty vstupu:
• Oddelenie odpovede pomocou SEP, odpoveď je osobitne
  • 42 [SEP] 42 is the answer to life, the universe and everything. Vyznačenie odpovede pomocou HL priamo v kontexte.
  • <hl> 42 <hl> is the answer to life, the universe and everything.

3 možnosti definície úlohy generovanie otázok :

• QG – vstup je kontext a odpoveď, výstup je otázka
• Multitask QA- QG: Deje sa vo viacerých krokoch: vyhľadanie odpovede (zaujímavej časti) v texte, generovanie otazky na zaklade odpovede, spätné vyhľadanie odpovede
• End-to-End QG – Generovanie otázok len na zaklade kontextu, vstup je kontext, výstup je otázka.

Úlohy:

• Začneme s prístupom "End-To-End" - generovanie otázok na základe zadaného odseku.
• Rozbehnite skript, ktorý naučí generatívny model generovať otázky na základe zadaného odseku. Ako vstup použite sk-quad.

Zásobník úloh:

• Navrhnite a implementujte spôsob vyhľadanie zaujímavej časti odseku - kandidáta na možnú odpoveď.

11.3.

• Vyskúšaný GPT na cloab, zatiaľ nefunguje kvôli pamäti.

Možné spôsoby využitia generatívnych modelov:

• mnli - multi natural language inference - textual entailment and contradiction, zero shot classification
• strojový preklad
• sumarizácia, conditional generation - asi nepotrebuje finetinung
• konverzačné systémy - generovanie odpovede na otázku
• generovanie otázok ku zadanému odseku (reverse squad)

Možné spôsoby vytvorenia overovacej množiny:

• Využitie slovenského squadu pre úlohu generovania otázok.
• Strojový preklad existujúceho jazykového zdroja do slovenčiny.
• Pokúsime sa vytvoriť vlastnú dátovú množinu od začiatku. Pre ktorú úlohu?
• Na overenie použijeme existujúci paralelný korpus - to si vyžaduje fine-tuning pre strojový preklad.
• Strojovo vytvoríme overovaciu databázu pre úlohu sumarizácie. Zoberieme novinové články alebo vedecké články alebo záverečné práce ktoré majú uvedený abstrakt.

Úlohy:

• vyskúšať menší GPT model
• Zistit a stručne opísať, ako funguje automatické generovanie otázok vo formáte squad. Ako neurónka berie do úvahy odpoveď? Zisitiť ako vyznačiť zaujímavé časti odseku (NER, parser, sumarizácia..) - ako vygenerovať odpoveď.
• Porozmýšľať, ako použiť na túto úlohu Transformers.

25.2.

• Vytvorený textový report, kde je urobený prehľad metód vyhodnotenia a niekoľkých testovacích korpusov a benchmarkov. Rouge je používaná metrika.

Úlohy:

• Vypracovať prehľad generatívnych jazykových modelov
• Vyskúšať slovenský GPT model.
• Navrhnúť ako dotrénovať model na úlohu sumarizácie.

Zásobník úloh:

• Vytvoriť model pre generovanie faktických otázok ku zadanému paragrahu.. Môžeme využiť slovenský squad.
• Vytvoriť model pre sumarizáciu novinových článkov.
• Vytvoriť databázu pre vyhodnotenie generatívnych vlastností jazykového mo,delu. Napr. úloha sumarizácie alebo iná.

Stretnutie 27.1.2022

Úlohy:

• Napísať prehľad spôsobov vyhodnotenia generatívnych modelov
• Zostaviť prehľad metrík a dátových množin.
• Zostaviť prehľad najnovších generatívnych modelov.

Zásobník úloh:

• Zistiť niečo o algoritmoch GAN (generative adversarial network) a VAE (variational autoendoder).
• Napíšte na aké NLP úlohy sa používajú a s akými výsledkami.
• Zistite aké (optinálne) Python-Pytorch knižnice sa dajú použiť.

Bakalárska práca 2020

Názov: Neurónové jazykové modelovanie typu BERT.

Bakalárska práca

Návrh na zadanie:

1. Vypracujte prehľad metód jazykového modelovania pomocou neurónových sietí.
2. Vypracujte prehľad aplikácií modelu typu BERT a spôsoby ich vyhodnotenia.
3. Natrénujte jazykový model metódou BERT alebo podobnou.
4. Vyhodnoťte jazykový model a navrhnite zlepšenia presnosti.

Zásobník úloh:

• Cieľom je vedieť natrénovať BERT model a vyhodnotiť ho na zvolenej testovacej množine.
• vyhodnotiť slovenský Roberta Model na pokusnej množine SK-quad.

Stretnutie 12.3.

Stav:

• Konzultácia štruktúry práce

Úlohy:

• Písať.

Stretnutie 26.2.

Stav:

• Vyriešený technický problém s architektúrou modelu podľa predpokladu.
• Urobené vyhodnotenie modelu wiki103 na CommonsenseQA.

Úlohy:

• Pokračujte v práci na textovej časti.
• Odovzdané pracovné dáta pre slovenský Roberta Model aj SK-Quad. Pokúste sa to vyhodnotiť ako neprioritnú ulohu.

Stretnutie 22.2.

Stav:

• Natrénovaný model wiki103 na stroji Quadro. Problém sa vyriešil vypnutím GPU pri trénovaní,
• Vznikol problém pri vypracovaní https://github.com/pytorch/fairseq/blob/master/examples/roberta/commonsense_qa/README.md - Architecture mismatch. Možné riešenie - iný prepínač -arch pri dotrénovaní. tak aby sedel s predtrénovaním.

Úlohy:

• skúsiť vyhodnotenie Wiki 103 na Commonsense
• Pokračujte v práci na textovej časti - vytvorte plynulý text.

Bakalársky projekt 2020

Stretnutie 12.2.

Stav:

• Pokúšame sa vytvoriť hodnotenie pomcou množiny CommonSenseQA
• Problém pri trénovaní na Wiki103 na stroji Quadra, (vyzerá to ako deadlock)
• Máme k dispozícii ROBERTA model natrénovaný na veľkej množine slovenských dát.

Do budúceho stretnutia:

• Problém sa možno dá obísť skopírovaním modelu zo stroja Tesla.
• na kopírovanie použite príkaz scp -r user@server:zdrojovyadresar cielovyadresar.
• pokračovať vo vyhodnotení pomocou CommonSenseQA.
• skúste vyhodnotiť aj slovenský model. Ako?
• pracujte na súvislom texte bakalárskej práce.

Virtuálne stretnutie 18.12.2020

Stav:

• Natrénovaný model ROBERTA na malej množine Wiki103 podľa tutoriálu. Trénovanie trvalo jeden týždeň.
• Spísané poznámky ku množine SQUAD.
• Vytvorený prístup na server quadra.kemt.fei.tuke.sk

Úlohy:

• Pokračovať v písaní
• Prejsť si tutoriál https://github.com/pytorch/fairseq/blob/master/examples/roberta/commonsense_qa/README.md - cieľom je vedieť vyhodnotiť BERT model.
• Pri trénovaní si overte, či sú využité všetky 4 karty.
• Pozrite si DP Lukáš Pokrývka
• Ak pôjde trénovanie v poriadku, skúste vykonať viac experimentov s rôznymi parametrami, zapíšte si postup experimetu (príkazový riadok) a výsledok.

Virtuálne stretnutie 4.12.2020

Stav:

• Preštudovaný tutoriál https://github.com/pytorch/fairseq/blob/master/examples/roberta/README.pretraining.md
• Vyriešený problém s Pytorch.
• Inštalácia Fairseq Conda aj Pytorch.
• Chyba optimizéra Fairseq a jej riešenie.
• Vypracované poznámky o trénovaní a vyhodnocovaní BERT.

Úlohy:

• Pokračujte v práci na písomnej časti. Skúste prepísať odrážky do plynulého textu.
• Pridajte poznámky o vyhodnotení pomocou SQUAD.
• Pokračujte v trénovaní Roberta na dátovej sade Wiki-103 na systéme Tesla, odhadovaný čas trénovania 64 hod.
• Zistite ako sa dá vyhodnotiť natrénovaný model Roberta.
• Zvážiť možnosť trénovania na systéme Titan a Quadra (pre vedúceho).

Virtuálne stretnutie 20.11.2020

Stav:

• Urobené tutoriály ale iba na CPU.

Do ďalšieho stretnutia:

• Prejsť si tutoriál https://github.com/pytorch/fairseq/blob/master/examples/roberta/README.pretraining.md .
• Pracovať na písomnej časti - zamerať sa na vyhodnotenie BERT modelu. Na aké modelové úlohy sa používa?
• Napíšte poznámky, kde všade sa vyskytol technický problém a aké bolo riešenie. Dôležité sú verzie a podmienky pri ktorých sa problém vyskytol.
• Spíšte ako nainštalovať knižnice tak aby to fungovalo (s CPU aj s GPU).
• Vytvorte si na GITe repozitár bp2021, do neho dajte poznámky a kódy ktoré ste vyskúšali.

Virtuálne stretnutie 13.11.2020

Stav:

• Vypracované poznámky aj k transformer a BERT
• Vyskúšaná release verzia Fairseq. Stále trvá technický problém s tutoriálom.
• Vyskúšaný BERT tutoriáli. Chyba "illegal instruction" pri extrahovaní príznakov "extract features from ROBERTA". https://discuss.pytorch.org/t/illegal-instruction-core-dumped-in-first-pytorch-tutorial/62059/3 pravdepodobne problém s inštrukčnou sadou CPU.
• \vytvorený prístup na tesla pre vyriešenie.

Do ďalšieho stretnutia:

• pokračovať v otvorených úlohách.

Virtuálne stretnutie 30.10.2020

Stav:

• Vypracované poznámky k seq2seq
• nainštalovaný Pytorch a fairseq
• problémy s tutoriálom. Riešenie by mohlo byť použitie release verzie 0.9.0, pip install fairseq=0.9.0

Do ďalšieho stretnutia:

• Vyriešte technické porblémy
• prejdide si tutoriál https://fairseq.readthedocs.io/en/latest/getting_started.html#training-a-new-model
• Prejsť si tutoriál https://github.com/pytorch/fairseq/blob/master/examples/roberta/README.md alebo podobný.
• Preštudujte si články na tému BERT, urobte si poznámky čo ste sa dozvedeli spolu so zdrojom.

Virtuálne stretnutie 16.10.2020

Stav:

• Vypracované poznámky k uvedeným bodom.
• Problém s inštaláciou Anaconda.

Do ďalieho stretnutia:

• nainštalujte pytorch a knižnicu fairseq
• prejtide si tutoriál https://fairseq.readthedocs.io/en/latest/getting_started.html#training-a-new-model
• Napíšte ďalšie poznámky ku architektúre encoder-decoder, nájdite najdôležitejšie články a čo hovoria.

Virtuálne stretnutie 2.10.2020

Vytvorený prístup ssh megela@idoc.fei.tuke.sk

Úlohy do ďalšieho stretnutia:

• Naštudujte si a vyracujte poznámky s uvedením zdroja:
  • spracovanie prirodzeného jazyka
  • jazykové modelovanie
  • rekurentná neurónová sieť
  • architektúra enkóder dekóder alebo seq2seq
• Nainštalujte si prostredie Anaconda, pytorch a knižnicu fairseq

Na štúdium:

https://git.kemt.fei.tuke.sk/KEMT/zpwiki/src/branch/master/pages/topics

• python
• nlp
• seq2seq