COLNER_Ollama
Vikundi
Mandhari
COLNER_Ollama ni seti ya data ya Kihispania iliyoundwa kwa ajili ya mafunzo ya miundo ya utambuzi wa huluki zenye majina (NER), kwa msisitizo maalum kwenye huluki za kijiografia (LOC) zinazohusiana na Colombia. Ina takriban safu 2,000 zilizogawanywa katika sehemu tatu: mafunzo (safu 1,600), uthibitishaji (safu 200) na majaribio (safu 200), zilizohifadhiwa katika umbizo la Parquet.
Iliundwa na mtumiaji bsoviedo na inapatikana kwenye jukwaa la Hugging Face. Rasilimali hii ni muhimu kwa watafiti na wasanidi wanaofanya kazi katika kazi za uchakataji wa lugha asilia kwa Kihispania, hasa katika utambuzi na uainishaji wa toponimu na marejeo ya kijiografia katika maandiko yenye muktadha wa Colombia.
Sifa kuu
COLNER_Ollama ni mkusanyiko wa data wa maandishi ya Kihispania unaolengwa kwa kazi ya utambuzi wa huluki zilizotajwa (NER). Sifa yake bainifu ni kuzingatia pekee huluki za aina ya kijiografia (LOC), jambo linaloifanya kuwa rasilimali maalum kwa utambuzi wa toponimu, maeneo na marejeo ya anga katika maandishi yanayohusiana na Colombia.
- Ukubwa wa jumla: takribani safu 2,000
- Umbizo la hifadhi: Parquet
- Lugha: Kihispania
- Aina ya huluki iliyowekewa anoteshini: LOC (huluki za kijiografia)
- Jukwaa la usambazaji: Hugging Face
- Mtayarishi: bsoviedo
Muundo na migawanyo
Mkusanyiko wa data umegawanywa katika migawanyo mitatu ya kawaida kwa ajili ya uundaji na tathmini ya miundo ya ujifunzaji wa mashine:
- Mafunzo (train): safu 1,600, zilizokusudiwa kwa urekebishaji wa vigezo vya modeli.
- Uthibitishaji (val): safu 200, zinazotumika kufuatilia utendaji wakati wa mafunzo.
- Jaribio (test): safu 200, zilizotengwa kwa tathmini ya mwisho na huru ya modeli.
Mgawanyo huu unafuata kanuni zinazokubalika kwa upana katika jumuiya ya uchakataji wa lugha asilia (PLN), na kurahisisha ulinganisho wa matokeo kati ya mifumo na majaribio tofauti.
Muktadha na eneo la matumizi
Eneo linalofunikwa na COLNER_Ollama linaangazia jiografia ya Colombia, jambo linalomaanisha kuwa maandishi na anoteshini zinaakisi nomenklacha, toponimu na marejeo ya anga yanayoendana na muktadha wa Colombia. Mwelekeo huu wa kikanda ni muhimu kwa kuwa miundo ya jumla ya NER iliyofunzwa kwenye korpasi za lugha nyingi au za nchi nyingine inaweza kuonyesha utendaji usioridhisha inapokabiliana na majina ya maeneo mahususi ya Amerika ya Kusini na, hasa, ya Colombia.
Jina la mkusanyiko wa data linaashiria uhusiano na zana au mbinu zinazohusiana na Ollama, ingawa metadata zilizopo hazielezi kwa undani mchakato halisi wa uundaji au uanoteshaji wa data.
Matumizi
COLNER_Ollama inalengwa hasa kwa mafunzo ya miundo inayosimamiwa ya NER katika Kihispania. Miongoni mwa matumizi ya moja kwa moja zaidi ni:
- Mafunzo na urekebishaji wa kina (fine-tuning) wa miundo ya lugha kwa uchimbaji wa huluki za kijiografia katika maandishi ya Colombia.
- Tathmini linganishi ya mifumo ya NER katika eneo la kijiografia la wanaozungumza Kihispania.
- Utafiti wa kitaaluma katika PLN unaotumika kwa lahaja za kikanda za Kihispania.
- Uundaji wa programu za uchanganuzi wa maandishi zinazohitaji kutambua marejeo ya maeneo katika nyaraka za Kihispania zinazohusiana na Colombia.
Kwa kuzingatia ukubwa wake wa wastani na muundo wake uliofafanuliwa vizuri, mkusanyiko wa data unapatikana kwa urahisi kwa majaribio ya utafiti na kwa uundaji wa prototaipu bila kuhitaji miundombinu ya kompyuta ya kiwango kikubwa.