clarin:el δημιουργώ, επεξεργάζομαι, μοιράζομαι Στέλιος Πιπερίδης, Πένυ Λαμπροπούλου, Μαρία Γαβριηλίδου Ε.Κ. Αθηνά / ΙΕΛ

Transcript

1 clarin:el δημιουργώ, επεξεργάζομαι, μοιράζομαι Στέλιος Πιπερίδης, Πένυ Λαμπροπούλου, Μαρία Γαβριηλίδου Ε.Κ. Αθηνά / ΙΕΛ

2 το πρόβλημα o Συνέδριο Ελληνική Γλώσσα και Ορολογία 2

3 σενάριο o Συνέδριο Ελληνική Γλώσσα και Ορολογία 3

4 απαιτήσεις τι χρειάζεται; γλωσσικά δεδομένα σώματα κειμένων (λόγοι των πολιτικών αλλά και σώμα κειμένων γενικής χρήσης) λεξικά / θεματικά λεξιλόγια / σημασιολογικά λεξικά εργαλεία επεξεργασίας και επισημείωσης ανάλυσης αποτελεσμάτων πού θα τα βρει; πρωτότυπες πηγές αρχειακές συλλογές άλλα πανεπιστήμια & ερευνητικά ιδρύματα συρτάρια συναδέλφων σε τι κατάσταση; μόνο κείμενο ιδανικά, ήδη σε ψηφιακή επεξεργάσιμη μορφή επισημειωμένα επιπλέον απαιτήσεις τεχνικές και νομικές γνώσεις απαιτήσεις σε υπολογιστική δύναμη 10o Συνέδριο Ελληνική Γλώσσα και Ορολογία 4

5 η λύση: CLARIN o Συνέδριο Ελληνική Γλώσσα και Ορολογία 5

6 στόχοι Η Ερευνητική Υποδομή CLARIN ( στοχεύει να δημιουργήσει μία ολοκληρωμένη και διαλειτουργική ερευνητική υποδομή Γλωσσικών Πόρων και Τεχνολογιών καταπολεμώντας την ισχύουσα αποσπασματικότητα και προσφέροντας ένα σταθερό, συνεπές, εύχρηστο και επεκτάσιμο περιβάλλον πρόσβασης σε γλωσσικά δεδομένα στην υπηρεσία όλων των επιστημών και κυρίως των Κοινωνικών και Ανθρωπιστικών Επιστημών (ΚΑΕ) o Συνέδριο Ελληνική Γλώσσα και Ορολογία 6

7 δηλαδή το CLARIN ενσωματώνει Γλωσσικούς Πόρους: ψηφιακό περιεχόμενο κάθε είδους (κείμενο, ήχο, εικόνα, βίντεο), πρωτογενείς και επισημειωμένους, λεξικά, οντολογίες, γραμματικές κτλ. Εργαλεία Γλωσσικής Τεχνολογίας: εργαλεία αναγνώρισης φωνής, λημματοποιητές, εργαλεία εξαγωγής περίληψης, κτλ. σε ένα συστηματικά οργανωμένο δίκτυο αποθετηρίων το οποίο είναι διαθέσιμο σε ερευνητές όλων των επιστημών μέσα από εθνικά υπο-δίκτυα που μεριμνούν για την έρευνα και την ψηφιακή προσαρμογή και ετοιμότητα των διαφόρων γλωσσών (σήμερα: περισσότερα από 200 μέλη από 33 χώρες) o Συνέδριο Ελληνική Γλώσσα και Ορολογία 7

8 όραμα Ένας ερευνητής από το γραφείο του στην Κέρκυρα θα μπορεί: με μία εγγραφή (με το ήδη υπάρχον ακαδημαϊκό login) με πιστοποίηση να ψάξει, να βρει και να πάρει την έγκριση να χρησιμοποιήσει κείμενα από την Οξφόρδη, το Μπέργκεν και το Λέιντεν να επιλέξει το σύνολο δεδομένων στα οποία θέλει να δουλέψει και να αποθηκεύσει την επιλογή του να επεξεργαστεί το υλικό του με εργαλεία σημασιολογικής ανάλυσης από την Αθήνα και στατιστικά εργαλεία από τη Βουδαπέστη να χρησιμοποιήσει την υπολογιστική ισχύ ενός άλλου υπολογιστικού κέντρου, όπου και όποτε απαιτείται να αποθηκεύσει τη διαδικασία και τα αποτελέσματα της ανάλυσης και να τα μοιραστεί με συνεργάτες του στο Παρίσι, στη Βιέννη και στο Ελσίνκι o Συνέδριο Ελληνική Γλώσσα και Ορολογία 8

9 η ελληνική υποδομή clarin:el o Συνέδριο Ελληνική Γλώσσα και Ορολογία 9

10 το clarin στην Ελλάδα κατασκευαστική φάση ( ) μέλος του CLARIN ERIC από τον Φεβρουάριο του 2015 φιλοδοξεί να προσφέρει τους πόρους που χρειάζεται ένας ερευνητής για την έρευνά του σε 5 βήματα και με ένα επιπρόσθετο 6 ο βήμα, όταν αυτό είναι δυνατό o Συνέδριο Ελληνική Γλώσσα και Ορολογία 10

11 ελληνική υποδομή: δύο στενά διασυνδεδεμένα υποσυστήματα υποσύστημα γλωσσικών πόρων τεκμηρίωση αποθήκευση διαμοιρασμός αναζήτηση ανάκτηση καταφόρτωση πάροχος καταναλωτής υποσύστημα επεξεργασίας γλωσσικών δεδομένων διαδικτυακές υπηρεσίες γλωσσικής επεξεργασίας για επεξεργασία πόρων παραγωγή νέων δεδομένων o Συνέδριο Ελληνική Γλώσσα και Ορολογία 11

12 χρήση της υποδομής από καταναλωτές πόρων o Συνέδριο Ελληνική Γλώσσα και Ορολογία 12

13 1. αναζήτηση με λέξεις κλειδιά, π.χ. ελληνικό σώμα κειμένων στη θεματική περιοχή "νομικά" o Συνέδριο Ελληνική Γλώσσα και Ορολογία 13

14 2. φυλλομέτρηση αποτελεσμάτων o Συνέδριο Ελληνική Γλώσσα και Ορολογία 14

15 2α. αναζήτηση με χρήση φίλτρων o Συνέδριο Ελληνική Γλώσσα και Ορολογία 15

16 3. θέαση επιλεγμένου πόρου o Συνέδριο Ελληνική Γλώσσα και Ορολογία 16

17 4. όροι χρήσης - αδειοδότηση o Συνέδριο Ελληνική Γλώσσα και Ορολογία 17

18 5. καταφόρτωση του πόρου o Συνέδριο Ελληνική Γλώσσα και Ορολογία 18

19 6. γλωσσική επεξεργασία πόρων process υπηρεσίες επεξεργασίας μονογλωσσικών σωμάτων κειμένων αναγνώριση λέξεων και προτάσεων (tokenisation and sentence splitting) μορφοσυντακτική ανάλυση (part of speech tagging) λημματοποίηση (lemmatisation) συντακτική ανάλυση (syntactic parsing) αναγνώριση και εξαγωγή ορολογίας (term recognition and extraction) αναγνώριση οντοτήτων (named entity recognition) υπηρεσίες επεξεργασίας πολυγλωσσικών σωμάτων κειμένων για Ελληνικά Αγγλικά: όλες οι υπηρεσίες για Ελληνικά - Χ (γλώσσα της ΕΕ): στοίχιση σε επίπεδο πρότασης, o Συνέδριο Ελληνική Γλώσσα και Ορολογία 19

20 Το δίκτυο clarin:el o Συνέδριο Ελληνική Γλώσσα και Ορολογία 20

21 Μέλη δικτύου clarin:el πάροχοι Γλωσσικών Πόρων μέλη του δικτύου μπορούν να γίνουν φορείς-μέλη (με ή χωρίς ιδρυματικά αποθετήρια) συνεργαζόμενοι ερευνητές (στο Αποθετήριο Φιλοξενούμενων Πόρων) ποιοι είναι ήδη μέλη - Κατασκευαστική Φάση (μέχρι 31/12/2015) Πιλοτική Φάση (από 1/1/2016) Όλοι οι υπόλοιποι ακαδημαϊκοί φορείς (πανεπιστήμια, ερευν. κέντρα) o Συνέδριο Ελληνική Γλώσσα και Ορολογία 21

22 χρήστες υποδομής πίσω από την υποδομή, το περιεχόμενο! χρήστες της υποδομής: καταναλωτές και πάροχοι γιατί να διαθέσει κανείς τους πόρους του; διαμοιρασμός, εμπλουτισμός, αξιοποίηση, πολλαπλασιασμός o Συνέδριο Ελληνική Γλώσσα και Ορολογία 22

23 περισσότερες πληροφορίες o Συνέδριο Ελληνική Γλώσσα και Ορολογία 23

24 Ευχαριστώ πολύ! o Συνέδριο Ελληνική Γλώσσα και Ορολογία 24