Stażysta / -tka ds. anotacji danych i korekty językowej

Oferujemy staż badawczy w Zespole Inżynierii Lingwistycznej w Zakładzie Przetwarzania Języka Naturalnego. Celem stażu jest stworzenie zbioru danych do dostrojenia modeli do zadania korekty językowej dla języka polskiego oraz ich ewaluacji.

Zdolność do osiągania wysokich wyników w kompleksowej korekcie językowej tekstów w języku polskim — obejmującej nie tylko literówki, błędy ortograficzne i fleksyjne, lecz także niewłaściwy dobór leksyki oraz uchybienia stylistyczne — pozostaje wciąż istotnym wyzwaniem, a zarazem realną potrzebą w branżowych i domenowych zastosowaniach rozwiązań AI w Polsce, w tym w administracji publicznej.

Dominujące do niedawna podejścia oparte na regułach nie umożliwiają kontekstowego rozumienia tekstu, a tym samym pełnej detekcji i korekty wszystkich błędów oraz nieścisłości językowych i stylistycznych. W dobie dynamicznego rozwoju generatywnych modeli sztucznej inteligencji funkcjonalność ta powinna stać się jednym z podstawowych oczekiwań wobec modeli przeznaczonych do profesjonalnych zastosowań. Dotrenowanie modelu do realizacji tego zadania w języku polskim wymaga starannie zaprojektowanego, zbalansowanego i nadzorowanego przez ekspertów zbioru danych uczących. Zbiór ten nie może ograniczać się wyłącznie do danych konwertowanych z istniejących polskojęzycznych datasetów ani do danych generowanych syntetycznie, lecz powinien obejmować także wysokiej jakości próbki anotowane ręcznie.

Dostrojenie otwartego modelu, który osiągałby satysfakcjonujące wyniki w zakresie korekty tekstów polskojęzycznych, mogłoby znacząco zwiększyć efektywność wielu działań realizowanych w ramach projektów naukowych i wdrożeniowych w NASK. Taki model pomocniczy mógłby zostać wykorzystany m.in. do korekty danych syntetycznych destylowanych z anglocentrycznych dużych modeli językowych oraz wizyjno-językowych.