Merge branch 'master' of git.kemt.fei.tuke.sk:KEMT/zpwiki

pages/interns/oliver_pejic/README.md

@@ -23,6 +23,24 @@ Final Tasks:
 - [Machine translate](https://huggingface.co/google/madlad400-3b-mt) an SBERT evaluation set for multiple slavic languages.
 - Write a short scientific paper with results.
 
+Meeting 3.10.:
+
+State:
+
+- Prepared a pull request for Retrieval SK Quad.
+- Prepared a pull request for Hate Speech Slovak.
+
+Tasks:
+
+- Make the pull request compatible with the MTEB Contribution guidelines. Discuss it when it is done.
+- Submit pull requests to MTEB project.
+- Machine Translate a database (HotpotQA, DB Pedia, FEVER) . Pick a database that is short, because translation might be slow.
+
+Non priority tasks:
+
+- Prepare databse  and subnit it to HuggingFace Hub.
+- Prepare a MTEB PR for the databse.
+
 Meeting 3.9:
 
 State: Studied MTEB framework and transformers.

pages/students/2019/filip_tomas/README.md

@@ -28,6 +28,21 @@ Ciel:
 
 Spolupráca Michal Stromko, Kristián Sopkovič.
 
+Stretnutie 27.9.2024
+
+Stav:
+
+- Urobené vyhľadávanie Milvus, odstavce sú v sqlite.
+- Indexovanie je v osobitnom skripte.
+- Urobené web rozhranie pomocou Flask.
+
+Úlohy:
+
+- Na indexovanie používajte server quadro - 4 GPU karty 1080 12GB RAM. Prístup dá vedúci. Skript upravte tak, aby používal všetky 4 karty. Urobte meranie o koľko sa zrýchlylo spracovanie.  Prihlásite sa ccez SSH `filip@quadro.kemt.fei.tuke.sk` . Server je dostupn7 iba cez VPN. Vytvoríte si prostredie Anaconda. Dlhý skript pustíte pomocou screen alebo tmux.
+- Na RPI klaster k8s urobte paralelný deployment Milvus a mongodb aj webové rozhranie.
+- Pokračujte v štúdiu LangChain.
+- Pokračujte v písaní - sentence transformers, retrieval augmented generation, distributed database.  
+
 Stretnutie 23.7.2024
 
 Stav:

pages/students/2022/andrii_pervashov/README.md

@@ -22,6 +22,14 @@ Korekcia textu pomocou neurónových sietí
 -    Aplikujte existujúci model na opravu textu vo vybraných úlohách.
 -    Vyhodnnotte model pomocou overovacej množiny.
 
+Stretnutie 3.10.2024
+
+Stav:
+
+- Spustený skript WikiEdits bez úprav. Výsledkom bol (asi) dobrý súbor csv s úpravami v slovenskom jazyku.
+- Vyskúšané dotrénovanie modelu mt5-base na tejto databáze. Trénovanie sa spustí. Po zatvorení tmux sa trénovanie nepodarí obnoviť.
+
+
 Online update 4.9.2024
 
 Úlohy:

pages/students/2022/oleh_poiasnik/README.md

@@ -12,6 +12,13 @@ rok začiatku štúdia: 2022
 
 # Bakalárska práca 2025
 
+Nové zadanie:
+
+Chceme vytvoriť asistenta pre farmaceuta alebo zákazníka lekárne pre vyhľadávanie v príbalových letákoch.
+
+
+Staré zadanie:
+
 Vyhľadávanie právnych informácií pomocou neurónových sietí
 
 -    Oboznámte sa s existujúcimi modelmi pre vyhľadávanie v texte.
@@ -20,8 +27,55 @@ Vyhľadávanie právnych informácií pomocou neurónových sietí
 -    Vyhodnotte či je zadané tvrdenie v súlade s legislatívou alebo nie.
 
 
-RAG: Generovanie jazyka s pomocou vyhľadávania -Retrieval augmented generation
+RAG: Generovanie jazyka s pomocou vyhľadávania - Retrieval augmented generation
 
+27.9.2024
+
+Stav:
+
+- Vyskúšané generatívne modely - OpenAI aj HuggingFace Prakticky sú nepoužiteľné, kvôli tomu, že chybné požiadavky míňajú kredit. Kreditu je málo na deň.
+- Výskúšaný Slovenský Mistral "slovak-nlp/mistral-sk-7b". Výskúšané cez API skript.
+- Nainštalovaný PrivateGPT. Zaindexovaná databáza liekov cez ElasticSearch a implementovaný RAG s modelom Slovak Mistral. Funguje to celkom dobre na dopyt o bolesti hlavy.
+
+Úlohy:
+
+- Pokračujte v štúdiu LangChain. Prejdite si tutoriály.
+- Čítajte články a robte si poznámky. Pozrite si článok o modeli Mistral, o sentence transformeroch, aj o "retrieval augmented generation". Na vyhľadanie článku použite google scholar.
+- Vytvorte skript pre indexovanie a prípravu dát, dajte ho na git.
+- Konfiguračné skripty na Privategpt a skripty pre prípravu dát dajte na git repozitár. Na kemt.git.fei.tuke.sk. Skripty by mali byť opakovateľné.
+
+
+Zásobník úloh:
+
+- Lepšie pripraviť dáta. Bude treba vyradiť lieky pre zvieratá. Texty bude treba predpripraviť. O lieku bude treba zistiť metainformácie. Bude treba vyznačiť, či je liek na lekársky predpis alebo nie.
+- Model bude treba dotrénovať na inštrukcie, použiť databázu Slovak Alpaca.
+- Pripraviť "inteligentného agenta" pre vyhľadávanie, aby sa vedel spýtať dolnňujúce otázky. Prečítajte si článok o ReACT.
+- Pripraviť vlastné webové rozhranie a backend LangChain.
+
+
+
+Stretnutie 18.9.2024
+
+Stav:
+
+- Vyskúšaný model bioBERT, cez Transformers, Anaconda na malom datasete na notebooku
+- ElasticSearch Python API
+- vlastný skript na indexovanie pomocou SBERT
+
+Úlohy:
+
+- vhodné modely pre slovenský jazyk: me5-base pre vektorové vyhľadávanie. Ale ako použijete ES, tak nie je potrebný. Pre generovanie: je možné použiť OpenAI API alebo HuggingfaceAPI, má obmedzenie.  Otvorené modely: LLama3, RWKV, Sovenský Mistral 7B TBA.
+- Na začiatok skúste rozbehať postup s PrivateGPT, OpenAI API a vyhľadávaním (pomocou ES alebo me5-base alebo OpenAI API - ADA embedding).
+- Urobte si lokálnu inštaláciu PrivateGPT na Vašom notebooku. Zmente konfiguráciu - modely a prompty
+- Dáta dodá Kristián Sopkovič - cez Teams sa spojte.
+- Pokračujte v štúdiu Python, Transformers.  Oboznámte sa s LangChain.
+- Prečítajte si tento článok https://arxiv.org/abs/1908.10084 o sentence transformers a urobte si poznámky.
+
+Zásobník úloh:
+
+- Urobte množinu na vyhdnotenie. Vytvoríte množinu vzorových otázok a odpovedí. Vyhodnotte celý proces.
+- Modely by mali bežať na našej infraštruktúre. Treba pripravť vhodný inferenčný server na našom HW, vybrať a dotrénovať vhodný model.
+- Preskúmať využitie Knowledge Graph pre spracovanie medicínskych dát.
 
 Stretnutie 26.4.2024
 

pages/students/2022/tetiana_mohorian/README.md

@@ -25,17 +25,26 @@ Rozpoznávanie nenávistnej reči pomocou veľkých jazykových modelov.
 - Oboznámte sa s existujúcimi veľkými jazykovými modelmi - uzatvorenými aj otvorenými.
 - Aplikujte existujúci model na úlohu detekcie nenávistnej reči. 
 - Na adaptáciu použite "prompting" a "LORA".
-- Vyhodnotte model pomocou overovacej množiny.
+- Vyhodnotte model pomocou [overovacej množiny](https://huggingface.co/datasets/TUKE-KEMT/hate_speech_slovak).
+c
+
+Stretnutie 3.10.2024
+
+
 
 
 Úlohy:
 
 - Oboznámte sa s existujúcimi veľkými jazykovými modelmi - uzatvorenými aj otvorenými. Urobte si poznámky a napíšte prehľad.
-- Nainštalujte si prostredie Anaconda. 
 - Prejdite si knihu Dive Deep into Python 3.
 - Prečítajte si knihu https://d2l.ai/ a napíšte si poznámky.	
 - Zistite čo je to "prompting", a "few shot learning". Napíšte si poznámky.
+- Oboznámte sa s OPEN AI Python API.
+- Nainštalujte si prostredie Anaconda. 
 - Nainštalujte si Pytorch, a huggingface transformers a oboznámte sa ako funguje táto knižnica.
 - Nainštalujte si prostredie OLLAMA a vyskúšajte lokálne jazykové modely
+
+Zásobník úloh:
+
 - Nainštalujte si knižnicu LangChain a pozrite si ako fungujú [ChatModely](https://python.langchain.com/docs/modules/model_io/chat/)
 

pages/students/2022/valerii_kutsenko/README.md

@@ -20,8 +20,8 @@ Cieľ je vylepšiť slovenský model pre generovanie vektrovej reprezentácie. v
 Nové nápady:
 
 - Vytvorte systém pre generovanie otázok o zadanom texte.
-- Vytvorte umelo generovanú množinu otázok a odpovedí.
+- Vytvorte umelo generovanú množinu otázok a odpovedí o liekoch.
-- Pomocou umelej množiny zlepšite existujúci systém pre otázky a odpovede.
+- Pomocou umelej množiny zlepšite existujúci systém pre otázky a odpovede o liekoch.
 
 Ako na to:
 
@@ -29,8 +29,29 @@ Ako na to:
 - Určite, ktorá otázka je dobre vygenerovaná a ktorá nie. Tu môžete použiť: systém pre vyhľadávanie alebo neurónovú sieť pre otázky a odpovede. Ku otázke viete nájsť odpovede pomocou neurónovej siete. Výstupom by mala byť čo najkvalitnejšia množina otázok a dpovedí ku odsekom. 
 - Výstupom by mala byť umelo generovaná databáza otázok a odpovedí.
 
+Stretnutie 27.9.2024
+
+Stav:
+
+- Prezereté repozitáre a články. Napísané poznámky.
+- Vytvorený prázdny git repozitár.
+
 Úlohy:
 
+- Zistite ako sa dotrénujú generatívne modely HuggingFace. Zistite čo je to Few Shot learning a *urobte si poznámky*.
+- Prečítajte si článok o modele Falcon a napíšte ako funguje. Prečítajte si článok o modele T5 a napíšte ako funguje.
+- Dotrénujte generatívny model na generovanie otázok podľa zadaného paragrafu. Na dotrénovanie použite databázu SK QUAD. Ako model použite Slovak T5 Base alebo Slovak Falcon 7 B.
+- Oboznámte sa s Hugggingface API a OpenAI API. Na generovanie môžete použiť aj toto api.
+- Skripty na dotrénovanie dávajte do GIT repozitára.
+
+Zásobník úloh:
+
+- Zoberte databázu liekov a generujte otázky o liekoch - od Ing. K. Sopkovič, alebo O. Poiasnik. 
+- Možno bude treba použiť ChatGPT API a príklady z databázy SK QUAD.
+- Možno bude treba dotrénovať Slovak Falcon 7B na inštrukcie.
+
+Staré Úlohy:
+
 - Zistite, aké sú možné prístupy ku generovaniu otázok pomocou generatívneho modelu a aké sú možné prístupy k overeniu vygenerovanej otázky.
 - Pozrite si repozitár https://github.com/patil-suraj/question_generation
 - Pozrite si repozitár https://github.com/gauthierdmn/question_generation