Getting Data and Language Resources: Technical & Practical Issues

Σχετικά έγγραφα
Sharing Data and Language Resources: Technical Aspects and Best Practices. Stelios Piperidis ELRC, ILSP/Athena RC

Διαμοιρασμός δεδομένων & γλωσσικών πόρων: τεχνικά ζητήματα. Πένυ Λαμπροπούλου ΙΕΛ/ΕΚ "ΑΘΗΝΑ"

Sharing Data and Language Resources: Technical Aspects and Best Practices. Stelios Piperidis ELRC, ILSP/Athena RC

Sharing Data and Language Resources: Technical Aspects and Best Practices. Stelios Piperidis ELRC, ILSP/Athena RC

Sharing Data and Language Resources: Technical Aspects and Best Practices. Stelios Piperidis ELRC, ILSP/Athena RC

Πανεπιστήμιο Πειραιώς Τμήμα Πληροφορικής Πρόγραμμα Μεταπτυχιακών Σπουδών «Πληροφορική»

Μικρομεσαίες Επιχειρήσεις Πληροφορικής Ευκαιρίες Χρηματοδότησης σε Ευρωπαϊκό Επίπεδο

Μιχάλης Βαφόπουλος, vafopoulos.org

Bring Your Own Device (BYOD) Legal Challenges of the new Business Trend MINA ZOULOVITS LAWYER, PARNTER FILOTHEIDIS & PARTNERS LAW FIRM

Ενότητα 2 Εργαλεία για την αναζήτηση εργασίας: Το Βιογραφικό Σημείωμα

«ΨΥΧΙΚΗ ΥΓΕΙΑ ΚΑΙ ΣΕΞΟΥΑΛΙΚΗ» ΠΑΝΕΥΡΩΠΑΪΚΗ ΕΡΕΥΝΑ ΤΗΣ GAMIAN- EUROPE

Πώς μπορεί κανείς να έχει έναν διερμηνέα κατά την επίσκεψή του στον Οικογενειακό του Γιατρό στο Ίσλινγκτον Getting an interpreter when you visit your

Ανάπτυξη Οντολογικής Γνώσης για Τεκμηρίωση Οπτικοακουστικού Περιεχομένου ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ

Εργαστήριο Ανάπτυξης Εφαρμογών Βάσεων Δεδομένων. Εξάμηνο 7 ο

Development and operation of University-Industry Liaison Offices in the Republic of Cyprus: Creating the future Dr Gregory Makrides, Director of

Επιβλέπουσα Καθηγήτρια: ΣΟΦΙΑ ΑΡΑΒΟΥ ΠΑΠΑΔΑΤΟΥ

The Simply Typed Lambda Calculus

Other Test Constructions: Likelihood Ratio & Bayes Tests

Modbus basic setup notes for IO-Link AL1xxx Master Block

derivation of the Laplacian from rectangular to spherical coordinates

ΕΘΝΙΚΗ ΣΧΟΛΗ ΗΜΟΣΙΑΣ ΙΟΙΚΗΣΗΣ

AME SAMPLE REPORT James R. Cole, Ph.D. Neuropsychology

The Nottingham eprints service makes this work by researchers of the University of Nottingham available open access under the following conditions.

Finite Field Problems: Solutions

2 Composition. Invertible Mappings

Εγκατάσταση λογισμικού και αναβάθμιση συσκευής Device software installation and software upgrade

Homework 3 Solutions

Στεγαστική δήλωση: Σχετικά με τις στεγαστικές υπηρεσίες που λαμβάνετε (Residential statement: About the residential services you get)

ΣΗΜΑΝΤΙΚΗ ΑΝΑΚΟΙΝΩΣΗ ΓΙΑ ΤΗΝ ΔΙΕΘΝΗ ΕΚΘΕΣΗ VEHICLE AND ON-VEHICLE EQUIPMENTS FAIR

ΑΓΓΛΙΚΗ ΓΛΩΣΣΑ ΣΕ ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΔΙΕΘΝΩΝ ΣΧΕΣΕΩΝ & ΟΙΚΟΝΟΜΙΑΣ

GREECE BULGARIA 6 th JOINT MONITORING

Ψηφιακή ανάπτυξη. Course Unit #1 : Κατανοώντας τις βασικές σύγχρονες ψηφιακές αρχές Thematic Unit #1 : Τεχνολογίες Web και CMS

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ

Πανεπιστήμιο Δυτικής Μακεδονίας. Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών. Ηλεκτρονική Υγεία

Η αλληλεπίδραση ανάμεσα στην καθημερινή γλώσσα και την επιστημονική ορολογία: παράδειγμα από το πεδίο της Κοσμολογίας

1) Abstract (To be organized as: background, aim, workpackages, expected results) (300 words max) Το όριο λέξεων θα είναι ελαστικό.

ΠΑΡΟΥΣΙΑΣΗ ΙΔΕΠ ΣΥΜΒΟΥΛΕΣ ΓΙΑ ΣΩΣΤΗ ΔΙΑΧΕΙΡΙΣΗ ΕΡΓΩΝ ERASMUS+ STRATEGIC PARTNERSHIPS

(C) 2010 Pearson Education, Inc. All rights reserved.

ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ

Προετοιμασία & Υποβολή Προτάσεων στο Πρόγραμμα Ορίζοντας 2020 Εθνικό Κέντρο Τεκμηρίωσης Εθνικό Σημείο Επαφής για τον Ορίζοντα 2020

Econ 2110: Fall 2008 Suggested Solutions to Problem Set 8 questions or comments to Dan Fetter 1

«Χρήσεις γης, αξίες γης και κυκλοφοριακές ρυθμίσεις στο Δήμο Χαλκιδέων. Η μεταξύ τους σχέση και εξέλιξη.»

Επιχειρηματικότητα και Εκπαίδευση. Ανάπτυξη Ικανοτήτων Μαθητών 12 Δεκεμβρίου, 2015

Test Data Management in Practice

«Έντυπο και ψηφιακό βιβλίο στη σύγχρονη εποχή: τάσεις στην παγκόσμια βιομηχανία».

Data & Open Technologies A Perfect Combination Introduction Lecture

Διαχείριση Έργων Πληροφορικής

Phys460.nb Solution for the t-dependent Schrodinger s equation How did we find the solution? (not required)

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 6/5/2006

Partial Differential Equations in Biology The boundary element method. March 26, 2013

Γιπλυμαηική Δπγαζία. «Ανθπυποκενηπικόρ ζσεδιαζμόρ γέθςπαρ πλοίος» Φοςζιάνηρ Αθανάζιορ. Δπιβλέπυν Καθηγηηήρ: Νηθφιανο Π. Βεληίθνο

EE512: Error Control Coding

AKAΔΗΜΙΑ ΕΜΠΟΡΙΚΟΥ ΝΑΥΤΙΚΟΥ ΜΑΚΕΔΟΝΙΑΣ ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΘΕΜΑ: Η ΧΡΗΣΗ ΒΙΟΚΑΥΣΙΜΩΝ ΣΤΗΝ ΝΑΥΤΙΛΙΑ ΠΛΕΟΝΕΚΤΗΜΑΤΑ-ΜΕΙΟΝΕΚΤΗΜΑΤΑ ΠΡΟΟΠΤΙΚΕΣ

ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΑΛΛΗΛΟΓΡΑΦΙΑ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑ ΣΤΗΝ ΑΓΓΛΙΚΗ ΓΛΩΣΣΑ

Στο εστιατόριο «ToDokimasesPrinToBgaleisStonKosmo?» έξω από τους δακτυλίους του Κρόνου, οι παραγγελίες γίνονται ηλεκτρονικά.

Linked Heritage Kick-off meeting Rome, 29/4/2011

Instruction Execution Times

Liner Shipping Hub Network Design in a Competitive Environment

Statistical Inference I Locally most powerful tests

Advanced Subsidiary Unit 1: Understanding and Written Response

Ψηφιακή ανάπτυξη. Course Unit #1 : Κατανοώντας τις βασικές σύγχρονες ψηφιακές αρχές Thematic Unit #1 : Τεχνολογίες Web και CMS

Αγαπητοί συνεργάτες,

ίκτυο προστασίας για τα Ελληνικά αγροτικά και οικόσιτα ζώα on.net e-foundatio // itute: toring Insti SAVE-Monit

University of Macedonia Master in Information Systems. Networking Technologies professors: A. Economides A. Pobortsis AGREEMENT AND ACCOUNTING

ΣΤΟ ΠΡΟΓΡΑΜΜΑ ETRES/LIFE

ΕΘΝΙΚΗ ΣΧΟΛΗ ΔΗΜΟΣΙΑΣ ΔΙΟΙΚΗΣΗΣ ΙΓ' ΕΚΠΑΙΔΕΥΤΙΚΗ ΣΕΙΡΑ

5.4 The Poisson Distribution.

Τέσσερις καλές πρακτικές για την ανάπτυξη λογισμικού στην Ανοιχτή Επιστήμη. Φώτης Ε. Ψωμόπουλος, Ερευνητής Γ ΙΝΕΒ ΕΚΕΤΑ

C.S. 430 Assignment 6, Sample Solutions

PVC + ABS Door Panels

ΚΥΠΡΙΑΚΟΣ ΣΥΝΔΕΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY 21 ος ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ Δεύτερος Γύρος - 30 Μαρτίου 2011

Πρόσβαση στην πληροφορία και ανοιχτά κυβερνητικά δεδομένα Αικατερίνη Γιαννουκάκου Βιβλιοθηκονόμος MSc, ΥΔ Πανεπιστήμιο Μακεδονίας Ομάδα Δικαίου

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΝΑΥΤΙΛΙΑΚΩΝ ΣΠΟΥΔΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗ ΝΑΥΤΙΛΙΑ

ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΡΗΤΗΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ

Dynamic types, Lambda calculus machines Section and Practice Problems Apr 21 22, 2016

Χτίζοντας την ΕΚΕ από..μέσα προς τα έξω! 2013 Grant Thornton International Ltd. All rights reserved.

ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΗΡΑΚΛΕΙΟ ΚΡΗΤΗΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ

How to register an account with the Hellenic Community of Sheffield.

Ερώτηση και Αίτηση Κατάθεσης Εγγράφων Προς τον κ. Υπουργό Ανάπτυξης και Ανταγωνιστικότητας

Οδηγίες Ψηθιοποίηζης. Ioannis Trohopoulos

ΣΟΡΟΠΤΙΜΙΣΤΡΙΕΣ ΕΛΛΗΝΙΔΕΣ

ΕΘΝΙΚΗ ΣΧΟΛΗ ΤΟΠΙΚΗΣ ΑΥΤΟ ΙΟΙΚΗΣΗΣ Β ΕΚΠΑΙ ΕΥΤΙΚΗ ΣΕΙΡΑ ΤΜΗΜΑ: ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΙΟΙΚΗΣΗΣ ΤΕΛΙΚΗ ΕΡΓΑΣΙΑ. Θέµα:

Terabyte Technology Ltd

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 24/3/2007

Τo ελληνικό τραπεζικό σύστημα σε περιόδους οικονομικής κρίσης και τα προσφερόμενα προϊόντα του στην κοινωνία.

ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ

ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΜΕ ΘΕΜΑ : «ΑΜΦΙΣΒΗΤΗΣΕΙΣ ΟΡΙΩΝ ΓΕΩΤΕΜΑΧΙΩΝ ΔΙΑΔΙΚΑΣΙΑ ΕΠΙΛΥΣΗΣ ΜΕΣΩ ΔΙΚΑΣΤΙΚΩΝ ΠΡΑΓΜΑΤΟΓΝΩΜΟΣΥΝΩΝ.»

Reforming the Regulation of Political Advocacy by Charities: From Charity Under Siege to Charity Under Rescue?

Fractional Colorings and Zykov Products of graphs

Case 1: Original version of a bill available in only one language.

Οδηγίες Αγοράς Ηλεκτρονικού Βιβλίου Instructions for Buying an ebook

ΑΚΑΔΗΜΙΑ ΕΜΠΟΡΙΚΟΥ ΝΑΥΤΙΚΟΥ ΜΑΚΕΔΟΝΙΑΣ ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 19/5/2007

Models for Probabilistic Programs with an Adversary

Approximation of distance between locations on earth given by latitude and longitude

CHAPTER 25 SOLVING EQUATIONS BY ITERATIVE METHODS

Δθαξκνζκέλα καζεκαηηθά δίθηπα: ε πεξίπησζε ηνπ ζπζηεκηθνύ θηλδύλνπ ζε κηθξνεπίπεδν.

ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΠΕΛΟΠΟΝΝΗΣΟΥ

Transcript:

Getting Data and Language Resources: Technical & Practical Issues Data Management Basic Workflow Dr. Khalid Choukri (Evaluation & Language resource Distribution Agency) 1

Overview Please refer to Session 7A for What data & Why Data-driven Paradigm Data is needed in all language(s) Where can we discover Data: Public Sector Players Visible data e.g. Web (HTML pages, reports, etc.) Invisible Data: archives, hidden web, internal repositories Through Language Service Providers 2

Illustration of Data Packaging Workflow Data LRs (Language Resources) Value chain activity Identification & Selection of Data Basic documentation Cleaning & Conversion (content, container) Validation Processing of LRs (e.g. Alignment) Description & Storage of LRs Legal Status determination PSI vs Licensing Privacy handling and acceptance (i.e. anonymization) Market knowledge 3 Upload data to the Repository & Sharing Industry network Partnership ELRC Public Partner ELRC / EC

Issues to address (1) Issues to start with: Identification of sources, identification and selection of data sets (raw data) Privacy and ethics management from the start (e.g., anonymization when required, accept/reject data) Documentation with basic identification elements (languages, domains, year, ) Choice of medium and data formats for the transfer of the raw data (preference for the ELRC ad hoc platform) 4

Issues to address (2) Technical issues at the preparation/packaging stage: Cleaning of data format (discarding formatting, encoding character sets e.g. UTF8, formatting features e.g. bold, italic; graphics, ads, tables, html tags, etc.) File cleaning (e.g. conversion to XML, XLIFF, etc.) Data preparation for Automated Translation tools (e.g. alignment) Validation and Quality Control of the output (Language Resource format, content, storage) Description of the Language Resource (meta-data) Packaging and delivery (data repository with e-sharing) to EC and Owner 5

Any Digital Textual Data!! 6

Formatting Example Greece is a place of culture, the arts and sciences. Its tradition of contribution to global cultural and scientific communities, combined with its outstanding natural beauty and excellent infrastructure, has made it an ideal place in which to hold conferences. Over the last few years, Greece has more and more Greece is a place of culture, the arts and frequently welcomed people of letters, sciences and the arts, who sciences. Its tradition of contribution to have participated in symposia, conferences and exhibitions. Athens global cultural and scientific communities, International Airport Eleftherios Venizelos, one of the most modern combined with its outstanding natural airports in the world in operation since 2001, greatly boosted the beauty and excellent infrastructure, has organization of international conferences. made it an ideal place in which to hold conferences. Over the last few years, Greece has more and more frequently welcomed people of letters, sciences and the arts, who have participated in symposia, conferences and exhibitions. Athens International Airport Eleftherios Venizelos, one of the most modern airports in the world in operation since 2001, greatly boosted the organization of international conferences. Η Ελλάδα αποτελεί έναν χώρο πολιτισμού, τέχνης και επιστημών. Η μακραίωνη συμβολή της στο παγκόσμιο γίγνεσθαι, σε συνδυασμό με το μοναδικό φυσικό κάλλος και τις άρτιες υποδομές, την καθιστούν ιδανικό τόπο διεξαγωγής συνεδρίων. Τα τελευταία χρόνια, η ελληνική Η Ελλάδα αποτελεί έναν χώρο πολιτισμού, επικράτεια υποδέχεται όλο και συχνότερα ανθρώπους των τέχνης και επιστημών. Η μακραίωνη γραμμάτων, των επιστημών και των τεχνών, οι οποίοι συμβολή της στο παγκόσμιο γίγνεσθαι, σε συμμετέχουν σε συμπόσια, συνέδρια και εκθέσεις. Ο Διεθνής συνδυασμό με το μοναδικό φυσικό κάλλος Αερολιμένας Αθηνών «Ελευθέριος Βενιζέλος», ένα από τα και τις άρτιες υποδομές, την καθιστούν πλέον σύγχρονα αεροδρόμια παγκοσμίως, ο οποίος ιδανικό τόπο διεξαγωγής συνεδρίων. Τα λειτουργεί από το 2001, έδωσε μεγάλη ώθηση στη τελευταία χρόνια, η ελληνική επικράτεια διοργάνωση διεθνών συνεδρίων. υποδέχεται όλο και συχνότερα ανθρώπους των γραμμάτων, των επιστημών και των τεχνών, οι οποίοι συμμετέχουν σε συμπόσια, συνέδρια και εκθέσεις. Ο Διεθνής Αερολιμένας Αθηνών «Ελευθέριος Βενιζέλος», ένα από τα πλέον σύγχρονα αεροδρόμια παγκοσμίως, ο οποίος λειτουργεί από το 2001, έδωσε μεγάλη ώθηση στη διοργάνωση διεθνών συνεδρίων. 7

Issues to address (3) Legal Issues Legal status determination (accept/reject decision) Accuracy and acceptance of privacy processing (e.g., anonymization) Application of PSI versus need for a License Practical issues Role of the ELRC Consortium (technical/legal helpdesk, repository, consultancy) 8

Cooperation Actions Identification of sources, identification and selection of data sets (raw data) Data can be obtained from the visible sources (e.g. harvested from web) Data can be handed over by the public sector players Public sector players can boost the identification of visible sources Processing described above can be carried out in cooperation by the ELRC and the data provider 9

Legal elements Procedural Issues (data requests vs. open by default e.g. PSI) Licensing ELRC can help with the procedures Model licensing agreements Government Open Licenses Standard Re-use Licenses License interoperability 10

We need your involvement You know your data visible vs. invisible Access to archives, deep web, etc. is often not possible from the outside. Not all data is already under PSI or a permissive license Access to derived forms (e.g., PDF) is less efficient than access to internal source content repositories. 11

Data anonymization Identify a large source of data on individuals, organizations etc. Use a Named Entity Recognizer (NER) to find and remove private bio-data (names, locations, dates, birth information, etc.) and replace with generic placeholders. Confirm results meet acceptable requirements Reject data if anonymization not accurate as required 12

Conclusions Repurposing existing data (human translations) is the best way to improve Automated Translation quality. Data-driven paradigms provide an efficient way to leverage value from existing resources. ELRC can help reviewing data for suitability (at any phase) Do not underestimate the value of your language resources, foresee a Data Management Plan 13

Helpdesk and Support 14

ELRC Portal Screen shot goes here 15

ELRC Portal: Repository Screen shot goes here 16

ELRC Portal: Helpdesk Screen shot goes here 17

ELRC Portal: Web Forum Screen shot goes here 18