Các dự án đang cần hoàn thiện của iTitan:
Prob 1) Use function calling to get prams and feed them to a function to get the results from designed functions.
Context: With the database of student records that contains student_id, student_name, subject, and scores.
In the interaction with a chatbot, students can ask questions about their scores on certain subjects, they might or might not provide student_id.
Use students.json for the records to start with. This acts as a fake database for our prototype.
Prob 2) Name Entity Recognition
Mục tiêu: Xây dựng các model DL hoặc Spacy để nhận diện các thực thể. Các thực thể ở đây được định nghĩa rất tổng quát, không nhất thiết phải tên và địa chỉ, hay cơ quan.
Ví dụ: Thực thể có thể là "Tên Sách", "Tên Con Sông",...
Cách tiếp cận:
- Dùng các model có sẳn để chạy và tách thực thể cho cả tiếng Anh và tiếng Việt. Có thể tham khảo các model sau:
- NER with Spacy: https://github.com/kriesbeck/spacy-ner
- NER with DL: https://huggingface.co/models?other=named-entity-recognition
- Yêu cầu thực hiện:
- Chạy các model trên để benchmark kết quả và so sánh, đánh giá xem nên dùng Spacy hay DL?
- Tìm hiểu và chuẩn bị quá trình tự train các model này, hoặc finetune nó, cần phải có khả năng thêm các định nghĩa Entities cho các model khi finetune.
Prob 3) Relation Extraction
Mục tiêu: Xây dựng các model DL để trích xuất ra các mối liên hệ giữa các thực thể.
Ví dụ: Tên người "Musk" là "OWNER" của "SpaceX".
Cách tiếp cận:
- Dùng các model có sẳn để chạy trích xuất cho tiếng Anh. Có thể tham khảo các model sau:
- Yêu cầu thực hiện:
- Chạy các model trên để trích xuất các mối liên hệ.
- Tìm hiểu và tóm tắt các định dạng người ta đang dùng để tách các mối quan hệ giữa các thực thể.
- Mục tiêu lâu dài là tự train hoặc finetune model DL cho riêng mình.