zpwiki/pages/students/2016/tomas_kucharik

title	published	taxonomy
Tomáš Kuchárik	true	category tag author dp2021 dp2022 nmt translation question-answer nlp Daniel Hladek

Tomáš Kuchárik

(študent KPI)

Súvisiace práce:

• Martin Jancura
• Patrik Pavlišin
• Projekt SK QUAD

Diplomová práca 2022

Názov: Tvorba korpusu otázok a odpovedí v slovenskom jazyku pomocou strojového prekladu

Zadanie:

1. Vypracujte prehľad jazykových mutácii overovacej množiny SQUAD a opíšte spôsob ich tvorby.
2. Vypracujte prehľad aktuálnych systémov pre generovanie odpovede na otázku v prirodzenom jazyku.
3. Navrhnite postup pre vytvorenie korpusu otázok a odpovedí v slovenskom jazyku pomocou strojového prekladu z anglického jazyka,
4. Porovnajte strojovo preloženú verziu SQUAD s manuálne vytvorenou verziou.
5. Porovnajte presnosť systému generovania odpovedí naučenom na strojovo preloženej verzie SQUAD s s manuálne vytvorenou verziou.

Diplomový projekt 2 2021

Cieľom je vytvoriť strojovo preloženú verziu SQUAD a overiť ju na QA systém.

Sttetnutie 22.10.2021

Stav:

• Začatý prieskum jazykových mutácií strojovo preloženého SQUAD - španielsky, taliansky, francúzsky a švédsky.
• Začatý priestup prekladových API - napr. na google sa platí 20 $ za milion znakov.
• Zaujala ma metód prekladu pomocou špeciálnych znakov.
• Španielsky SQUAD má svoju štatistickú metódu zarovnania.
• Možnosti pre preklad:
  • Google, Microsoft v rámci Free kreditu (asi ho je málo).
  • Zakúpiť kredit cez projekt.
  • Využiť "nekomerčný" projekt pre preklad, napr. etranslation.

Úlohy:

• Pokračujte v písomnom prieskume jazykových mutácií SQUAD.
• Začnite pracovať na skripte na strojový preklad SQUAD. Jedna z možností je prepísať SQUAD do čisto textového formátu obohateného o špeciálne značky. Pripravte skript, ktorý prevedie SQUAD do čisto textového formátu obohateného o špeciálne značky. Vyskúšajte formát v dostupných prekladačoch. V prípade, že značky sú zachované, pripravte aj skript na spätnú konverziu preloženého výsledku do formátu SQUAD.

Stretnutie 15.10.

Stav:

• Pôvodné zadanie neaktuálne

Úlohy:

• Upraviť nové zadanie DP.
• Urobiť písomný prieskum rôznych jazykových verzií overovacej množiny squad a spôsobov ich vytvorenia. Môžete začať v archíve HuggingFace Datasets.
• Vybrať vhodný spôsob ako strojovo preložiť SQUAD. Zistiť aké sú možné problémy.
• Zistiť ako funguje strojový preklad cez API.

Zásobník úloh:

• Urobiť vyhodnotenie SQUAD na knižnici Hugging Face Transformers.

Diplomová práca 2021

Názov: Tvorba korpusu otázok a odpovedí v slovenskom jazyku pomocou crowdsourcingu

Zadanie:

1. Vypracujte prehľad metód vytvárania jazykových zdrojov pomocou crowsdourcingu.
2. Vypracujte prehľad aktuálnych systémov pre generovanie odpovede na otázku v prirodzenom jazyku.
3. Navrhnite postup pre vytvorenie korpusu otázok a odpovedí v slovenskom jazyku.
4. Vytvorte webovú aplikáciu a pomocou nej anotujte dostatočné množstvo otázok a odpovedí.
5. Navrhnite zlepšenia procesu anotácie otázok a odpovedí.

Cieľom práce je príprava nástrojov a budovanie tzv. "Question Answering datasetov"

• Spolupráca na vedeckom projekte Otázky a odpovede
• Projektový repozitár

Diplomový projekt 2

Zásobník úloh:

• Dá sa zistiť koľko času strávil anotátor pri vytváraní otázky? Ak sa to dá zistiť z DB schémy, tak by bolo dobré to zobraziť vo webovej aplikácii.

Virtuálne stretnutie 27.11.2020

Stav:

• Dorobené požiadavky z minulého stretnutia.
• Aplikáciu je potrebné prepracovať, kvôli tomu že algoritmus zobrazovania nie je vhodný. Spracovanie databázy pri každej požiadavke je príliš pomalé (výpočtovo zložité). Je potrebné cachovanie v novej DB schéme.
• Nová DB schéma (SQLalchemy) je rozrobená (vedúci).
• Preštudované články SQUAD - poznámky sú na papieri.

Úlohy na ďalšie stretnutie:

• Vypracovať draft DP práce vo forme článku na cca 10 strán.
• Preštudovať odbornú literatúru na tému "Crowdsourcing language resources" a napísať poznámky (čo ste sa dozvedeli z článku) a bibliografické odkazy.
• Anotovať aspoň 100 otázok a zistite potrebný čas.

Virtuálne stretnutie 27.10.2020

Stav:

• Dorobená webová aplikácia podľa pokynov z minulého stretnutia, kódy sú na gite

Úlohy na ďalšie stretnutie:

• Urobiť konfiguračný systém - načítať konfiguráciu zo súboru (python-configuration?). Meno konfiguračného súboru by sa malo dať zmeniť cez premennú prostredia (getenv).
• Dorobiť autentifikáciu pre anotátorov pre zobrazovanie výsledkov, aby anotátor videl iba svoje výsledky. Je to potrebné? Zatiaľ dorobiť iba pomocou e-mailu.
• Dorobiť heslo na webovú aplikáciu
• Dorobiť zobrazovanie zlých a dobrých anotácií pre každého anotátora.
• Preštudovať odbornú literatúru na tému "Crowdsourcing language resources". Vyberte niekoľko odborných publikácií (scholar, scopus), napíšte bibliografický odkaz a čo ste sa z publikácii dozvedeli o vytváraní jazykových zdrojov. Aké iné korpusy boli touto metódou vytvorené?

Virtuálne stretnutie 20.10.2020

Stav:

• Vylepšený skript pre prípravu dát , mierna zmena rozhrania (duplicitná práca kvôli nedostatku v komunikácii).

Úohy do ďalšieho stretnutia:

• Dorobiť webovú aplikáciu pre zisťoovanie množstva anotovaných dát.
• Odladiť chyby súvisiace s novou anotačnou schémou.
• Zobraziť množstvo anotovaných dát
• Zobraziť množstvo platných anotovaných dát.
• Zobbraziť množstvo validovaných dát.
• Otázky sa v rámci jedného paragrafu nesmú opakovať. Každá otázka musí mať odpoveď. Každá otázka musí byť dlhšia ako 10 znakov alebo dlhšia ako 2 slová. Odpoveď musí mať aspoň jedno slovo. Otázka musí obsahovať slovenské slová.
• Výsledky posielajte čím skôr do projektového repozitára, adresár database_app.

Stretnutie 25.9.2020

Urobené:

• validačné rozhranie.
• rozdelenie vstupného formulára na 5 častí pre ľahšie parsovanie napísaných otázok.

Úlohy na ďalšie stretnutie:

• pripraviť rozhranie, kde sa anotuje práve jedna otázka naraz a ten istý paragraf sa zobrazí 5 krát.
• stanoviť množinu metadát o anotovanej jednotke (názov článku, ktorý paragraf, poradie otázky?, kto to anotoval)
• metadáta je potrebné doplniť do prípravných skriptov (ako JSON objekt s názvom "meta", príklad "ner2/01_selectparagraphs.py") do validačného aj otázkového rozhrania doplniť informácie o anotátorovi a o metadátach anotovanej jednotky.
• skúsiť začať písať draft diplomovej práce a skúsiť to zverejniť na http://conf.uni-obuda.hu/sami2021/paper.html

Návrhy na zlepšenie (pre vedúceho):

• v priebehu 3. týždňa spustiť skúšobnú anotačnú dávku- možno s 2 rozhraniami aby sa vyskúšalo.
• pripraviť inštanciu Postgres Databázy (pre vedúceho).
• písať komentáre ku commitom a do zdrojákov.

Diplomový projekt 1

Úlohy na semester:

• Získať a parsovať dump slovenskej wikipédie z https://dumps.wikimedia.org/mirrors.html
• Vybrať prvú množinu článkov
• Nasadiť anotačnú aplikáciu - tvorbu otázky a vyznačenie odpovede.
• Navrhnúť pracovný postup pre využitie modelu pri ďalšej anotácii
• Možno: natrénovať model z anglických alebo slovenských dát.

Zásobník úloh:

• Vytvorte skript pre transformáciu výsledkov anotácie odpovedí do formátu SQUAD 2:0
• Oboznámte sa s relačnou databázovou schémou Prodigy.

Virtuálne stretnutie 6.7.

• Pridaný Bootstrap.js do rozhrania aplikácie
• Vytvorený Dockerfile, vznikol konflikt verzíí (treba opraviť).

Úloha: Zobraziť a validovať výsledky anotácie od anotátorov.

• oddeliť validáciu od aplikácie..
• Preštudovať "Review" alebo "Diff" rozhranie prodigy.
• Zvážiť validáciu pomocou rovnakého alebo podobného receptu ako na anotáciu.
• Zvážiť vytvorenie nového receptu pre validáciu. Paragraf, otázka, odpoveď, anotovala by sa korekcia?
• Zvážiť modifikáciu "answer receptu" pre validáciu.
• Modifikovať "question" recept na 5 vstupných polí. Pomôže to?
• Vytvoriť východziu stránku pre anotátorov.

Virtuálne stretnutie 26.6.

Vytvorená aplikácia na analýzu anotácií Prodigy.

• Pohľad na otázky a odpovede
• Pohľad na konkrétny dataset - analýza sessionid
• Pohľad na anotátora - koľko anotoval v akom datasete

Treba dorobiť:

• Odovzdať cez GIT do repozitára annotation
• Skrášliť
• dorobiť Dockerfile
• Pridať možnosť práce s ľubovoľnými datasetmi

Virtuálne stretnutie 14.5.

Urobené: modifikované skripty wikirank a getbestwiki,ly

Nová úloha: Vytvoriť skript pre analýzu DB schémy a zistenie kto anotoval koľko

• naprv konzolový skript, potom web aplikácia napr. Flask,

Revízia 16.4:2020:

• Predbežné výstupy (wikipedia parser) v repozitári https://git.kemt.fei.tuke.sk/tk634rv/dp2021
• Vytvorený prístup na server omega

Nové úlohy:

• Oboznámte sa s obsahom spoločného repozitára, stručná dokumentácia sa nachádza v súboroch README.md a v shell skriptoch.
• Spustite si a vyskúšajte navrhnutú anotačnú schému pre vytváranie otázok a odpovedí.
• Modifikujte skript wikirank.py a vyraďte z výpočtu stránky ktoré majú v názve číslo alebo dvojbodku. Výsledky PageRank uložte vo formáte JSONL
• Vytvorte skript, ktorý vyberie stránky s najlepším PageRank a z nich vytvorí korpus vhodný na anotáciu otázok.
• Dôsledne komunikujte Vaše výsledky alebo problémy na ktoré ste narazili.

Revízia 9.4.2020:

Nové úlohy:

• Nainštalujte si anotačnú aplikáciu https://git.kemt.fei.tuke.sk/dano/annotation
• Pozrite si recepty v adresári "question_answer".
• Podľa vzoru vytvorte korpus paragrafov zo slovenskej Wikipédie vhodných na anotovanie otázok.

Úvodné stretnutie 6.3.2020.

Porozmýšľať:

• Ako vyberieme najlepšie články (PageRank?)
• Ako premením článok z wikipedie na sadu úloh (task) pre Prodigy.

Vytvorený spoločný repozitár https://git.kemt.fei.tuke.sk/dano/annotation

Úlohy na ďalšie stretnutie:

• Získať a parsovať dump slovenskej wikipédie z https://dumps.wikimedia.org/mirrors.html.
• Študovať odborné články na tému Question Answering
• Oboznámiť sa s https://github.com/5hirish/adam_qas
• Oboznámte sa s frameworkom Spacy a Prodigy.