forked from KEMT/zpwiki
270 lines
11 KiB
Markdown
270 lines
11 KiB
Markdown
---
|
|
title: Tomáš Kuchárik
|
|
published: true
|
|
taxonomy:
|
|
category: [dp2021,dp2022]
|
|
tag: [nmt,translation,question-answer,nlp]
|
|
author: Daniel Hladek
|
|
---
|
|
# Tomáš Kuchárik
|
|
(študent KPI)
|
|
|
|
Súvisiace práce:
|
|
|
|
- [Martin Jancura](/students/2017/martin_jancura)
|
|
- [Patrik Pavlišin](/students/2016/patrik_pavlisin)
|
|
- [Projekt SK QUAD](/topics/question)
|
|
|
|
|
|
## Diplomová práca 2022
|
|
|
|
[Repozitár s výsledkami](https://git.kemt.fei.tuke.sk/tk634rv/dp2022)
|
|
|
|
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](https://ec.europa.eu/cefdigital/wiki/display/CEFDIGITAL/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](/topics/question)
|
|
- [Projektový repozitár](https://git.kemt.fei.tuke.sk/dano/annotation)
|
|
|
|
|
|
## 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](https://rajpurkar.github.io/SQuAD-explorer/)
|
|
- 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]( https://git.kemt.fei.tuke.sk/dano/annotation), 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.
|
|
|
|
|
|
|