zpwiki/pages/students/2022/oleh_poiasnik

title	published	taxonomy
Oleh Poiasnik	true	category tag author bp2025 rag nlp Daniel Hladek

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.
• Vytvorte systém pre vyhľadávanie v zákonoch a vyhláškach.
• Vyhľadajte súvisiace paragrafy so zadanou otázkou
• Vyhodnotte či je zadané tvrdenie v súlade s legislatívou alebo nie.

RAG: Generovanie jazyka s pomocou vyhľadávania - Retrieval augmented generation

17.10.20204

Stav:

• Funguje web rozhranie aj vyhľadávanie.
• Kódy sú na gite. Využíva sa Flask, Mistral API pre Mistral-Small (nebeží lokálne). Na vektory MiniLM2
• Napísané poznámky o praktickej časti.

Úlohy

• Otázka: Je to hybridné vyhľadávanie?
• Začnite písať teoretickú časť práce.
• Pokračujte v práci na frontende aj backende, tak aby to dobre vyzeralo aj dobre fungovalo - aby sa to dalo použiť ako demo. Treba dávať pozor na právnu zodpovednosť.
• Vyskúšajte rôzne spôsoby vyhľadávania - aj sparse (riedke vyhľadávanie).
• Kódy dávajte na git.

Zásobník úloh:

• Pripravte modely na lokálne nasadenie pomocou inferenčného servra (vllm, ctranslate2). Chceme aby modely bežali cez (OpenAI) API na našej infraštruktúre.
• Vyskúšajte Váš systém s lepšími modelmi (Slovak Mistral, iný väčší model, na vektory me5 alebo slovakbert-mnlr).
• pripravte nasadenie aplikácie pomocou systému Docker Compose.
• Urobte číslelné vyhodnotenie vyhľadávania. Toto má na starosti Yevhenii Leonov.

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

Úlohy:

• Zistite čo je to Retrieval Augmented Generation a napíšte o tom správu.
• Naučte sa základy jazyka Python.
• Podrobne si prejdite minimálne dva tutoriály.
• Napíšte krátky report na 2 strany kde napíšete čo ste urobili a čo ste sa dozvedeli.
• Nainštalujte si a vyskúšajte softvér PrivateGPT
• Nainštalujte si prostredie Anaconda. Prejdite si knihu Dive Deep into Python 3.
• Nainštalujte si PrivateGPT. Zistite ako funguje RAG. Zistite ako funguje ChatGPT. Zistite ako funguje vyhľadávanie pomocou SentenceTranformers. Napíšte o tom poznámky.
• Prečítajte si knihu https://d2l.ai/ a napíšte si poznámky.

Zásobník úloh:

• Spracujte a indexujte slovenské zákony a vyhlášky.
• Získajte zoznam právnych tvrdení ktoré je možné overiť.
• Existuje množina zmlúv o prenájme v slovenskom jazyku. https://huggingface.co/datasets/mtarasovic/ner-rent-sk-dataset