course/pr_1127/my/chapter10/7.md

အခန်း (၁၀) ဆိုင်ရာ မေးခွန်းများ[[end-of-chapter-quiz]]

ဒီအခန်းမှာ သင်ယူခဲ့တာတွေကို စစ်ဆေးကြည့်ရအောင်။

၁။ Argilla ကို ဘာအတွက် အသုံးပြုနိုင်သလဲ။

<Question choices={[ { text: "ဖွဲ့စည်းမှုမရှိတဲ့ data (unstructured data) တွေကို NLP tasks တွေအတွက် ဖွဲ့စည်းမှုရှိတဲ့ data (structured data) အဖြစ် ပြောင်းလဲဖို့။", explain: "Dataset တစ်ခုကို annotations တွေ ထည့်ပြီး NLP tasks တွေအတွက် အသုံးပြုဖို့ Argilla ကို အသုံးပြုနိုင်ပါတယ်။", correct: true }, { text: "dataset တစ်ခု တည်ဆောက်ဖို့ public website တစ်ခုကို scrap လုပ်ဖို့။", explain: "ဒါက Argilla ရဲ့ feature တစ်ခု မဟုတ်ပါဘူး၊ ဒါပေမယ့် public website တစ်ခုကို scrap လုပ်ပြီး Python SDK ကို အသုံးပြုပြီး annotations တွေအတွက် Argilla dataset တစ်ခုအဖြစ် ပြောင်းလဲနိုင်ပါတယ်။" }, { text: "လက်ရှိ dataset တစ်ခုရဲ့ အရည်အသွေးကို မြှင့်တင်ဖို့။", explain: "ယခင် annotations တွေကို အကြံပြုချက်တွေအဖြစ် အသုံးပြုပြီး dataset တစ်ခုရဲ့ အရည်အသွေးကို မြှင့်တင်ဖို့ ပြင်ဆင်နိုင်ပါတယ်။", correct: true }, { text: "လက်ရှိ dataset တစ်ခုကို သင့်ကိုယ်ပိုင် use case အတွက် ပြောင်းလဲဖို့။", explain: "လက်ရှိ dataset တစ်ခုကို သင့်ကိုယ်ပိုင် use case အတွက် ပြောင်းလဲဖို့ Argilla မှာ မတူညီတဲ့ မေးခွန်းအမျိုးအစားတွေကို အသုံးပြုနိုင်ပါတယ်။", correct: true }, { text: "သင့် model ကို train လုပ်ဖို့။", explain: "Argilla မှာ model တစ်ခုကို တိုက်ရိုက် train လုပ်လို့ မရပါဘူး၊ ဒါပေမယ့် Argilla မှာ သင်စုစည်းထားတဲ့ data တွေကို သင့်ကိုယ်ပိုင် model ကို train လုပ်ဖို့ အသုံးပြုနိုင်ပါတယ်။", }, { text: "synthetic datasets တွေ ထုတ်လုပ်ဖို့။", explain: "synthetic datasets တွေ ထုတ်လုပ်ဖို့ distilabel package ကို အသုံးပြုနိုင်ပြီး၊ ထို့နောက် ထုတ်လုပ်ထားတဲ့ data တွေကို ပြန်လည်စစ်ဆေးပြီး စုစည်းဖို့ Argilla ကို အသုံးပြုနိုင်ပါတယ်။", } ]} />

၂။ Argilla ဟာ Hugging Face Spaces မှာသာ Hugging Face Datasets နဲ့ အလုပ်လုပ်ပါတယ်။

<Question choices={[ { text: "မှန်သည်။", explain: "Argilla ကို Docker ကို အသုံးပြုပြီး locally လည်း deploy လုပ်နိုင်ပါတယ်။ Hugging Face Datasets အပါအဝင် မည်သည့် data အမျိုးအစားကိုမဆို upload လုပ်ဖို့ Python SDK ကို အသုံးပြုနိုင်ပါတယ်။" }, { text: "မှားသည်။", explain: "Argilla ကို Docker ကို အသုံးပြုပြီး locally လည်း deploy လုပ်နိုင်ပါတယ်။ Hugging Face Datasets အပါအဝင် မည်သည့် data အမျိုးအစားကိုမဆို upload လုပ်ဖို့ Python SDK ကို အသုံးပြုနိုင်ပါတယ်။", correct: true } ]} />

၃။ Python SDK ကို သင့် Argilla server နဲ့ ချိတ်ဆက်ဖို့ Hugging Face token တစ်ခု လိုအပ်ပါတယ်။

<Question choices={[ { text: "မှန်သည်။", explain: "ဒါက သင့် Argilla Space က private ဖြစ်နေမှသာ လိုအပ်ပါတယ်။", }, { text: "မှားသည်။", explain: "သင် public Argilla Space ကို အသုံးပြုနေတယ်ဆိုရင် ဒါမှမဟုတ် Docker နဲ့ local deployment လုပ်နေတယ်ဆိုရင် token တစ်ခု မလိုအပ်ပါဘူး။", correct: true } ]} />

၄။ Argilla မှာ fields တွေက ဘာလဲ။ fields တွေ ဘယ်လောက် အသုံးပြုနိုင်လဲ။

<Question choices={[ { text: "Fields တွေက ကျွန်တော်တို့ annotation လုပ်နေတဲ့ data တွေကို ပြသပါတယ်။ ဒီအချက်အလက်အားလုံးကို single field တစ်ခုထဲမှာ စုစည်းထားဖို့ လိုအပ်ပါတယ်။", explain: "လိုအပ်ရင် အချက်အလက်တွေကို multiple fields တွေအဖြစ် ခွဲဝေနိုင်ပါတယ်။" }, { text: "Fields တွေက ကျွန်တော်တို့ annotation လုပ်နေတဲ့ data တွေကို ပြသပါတယ်။ ဒီအချက်အလက်အားလုံးကို multiple fields တွေအဖြစ် ခွဲဝေနိုင်ပါတယ်။", explain: "မှန်ပါတယ်။ သင် annotation လုပ်နေတဲ့ data အမျိုးအစားပေါ် မူတည်ပြီး multiple fields တွေနဲ့ မတူညီတဲ့ fields အမျိုးအစားတွေ (text, chat, image...) ကိုလည်း အသုံးပြုနိုင်ပါတယ်။", correct: true }, { text: "Fields တွေမှာ records တွေရဲ့ metadata တွေ ပါဝင်ပါတယ်။ သင်လိုအပ်သလောက် အသုံးပြုနိုင်ပါတယ်။", explain: "သင့် dataset မှာ fields တွေနဲ့ metadata နှစ်ခုလုံး ရှိနိုင်ပေမယ့်၊ ၎င်းတို့က မတူညီတဲ့ ရည်ရွယ်ချက်တွေအတွက်ပါ။ Metadata တွေက filtering နဲ့ sorting လုပ်ဖို့အတွက် အပိုအချက်အလက်တွေအဖြစ် အသုံးပြုပြီး၊ fields တွေက ကျွန်တော်တို့ annotation လုပ်နေတဲ့ data တွေကို ပြသပါတယ်။" } ]} />

၅။ token classification task တစ်ခုအတွက် အကောင်းဆုံး မေးခွန်းအမျိုးအစားက ဘာလဲ။

<Question choices={[ { text: "A SpanQuestion", explain: "SpanQuestions တွေက စာသားအပိုင်းအစတွေကို highlight လုပ်ပြီး label တစ်ခု ထည့်ခွင့်ပြုပါတယ်။ ဒါက token classification task တစ်ခုအတွက် အကောင်းဆုံး အမျိုးအစားပါ။", correct: true }, { text: "A LabelQuestion", explain: "ဒီမေးခွန်းအမျိုးအစားက record တစ်ခုလုံးနဲ့ သက်ဆိုင်တဲ့ label တစ်ခုကို ရွေးချယ်ခွင့်ပြုပါတယ်။ ဒါက text classification task တစ်ခုအတွက် အကောင်းဆုံး အမျိုးအစားပါ။" }, { text: "A TextQuestion", explain: "ဒီမေးခွန်းအမျိုးအစားက စာသားရေးဖို့ ခွင့်ပြုပါတယ်။ ဒါက token classification task တစ်ခုအတွက် မသင့်တော်ပါဘူး။" }, { text: "အထက်ပါအဖြေများ မဟုတ်ပါ။", explain: "SpanQuestions တွေက စာသားအပိုင်းအစတွေကို highlight လုပ်ပြီး label တစ်ခု ထည့်ခွင့်ပြုပါတယ်။ ဒါက token classification task တစ်ခုအတွက် အကောင်းဆုံး အမျိုးအစားပါ။" } ]} />

၆။ "Save as draft" button ရဲ့ ရည်ရွယ်ချက်က ဘာလဲ။

<Question choices={[ { text: "သင့်ရဲ့ အဖြေတွေကို submit လုပ်ဖို့။", explain: "ဒီ button က သင့်အဖြေတွေကို save လုပ်ပေမယ့် submit တော့ မလုပ်ပါဘူး။", }, { text: "သင့်ရဲ့ အဖြေတွေကို submit မလုပ်ဘဲ save လုပ်ဖို့။", explain: "ဒါက Hugging Face Hub ကနေ Hugging Face model တစ်ခုကို load လုပ်ဖို့ မှန်ကန်တဲ့ နည်းလမ်းတစ်ခုပါ။", correct: true }, { text: "record တစ်ခုကို စွန့်ပစ်ဖို့။", explain: "'demos' prefix ကို အသုံးပြုပြီး model တစ်ခုကို load လုပ်လို့ မရပါဘူး။ ထပ်ကြိုးစားပါ။" } ]} />

၇။ Argilla က အကြံပြုထားတဲ့ labels တွေကို အလိုအလျောက် မပေးပါဘူး၊ သင်ကိုယ်တိုင် data တွေ ပေးရပါမယ်။

<Question choices={[ { text: "မှန်သည်။", explain: "သင့် records တွေမှာ (ဒါမှမဟုတ် ပြင်ဆင်ပြီး) အကြံပြုချက်တွေကို project ရဲ့ ဘယ်အချိန်မှာမဆို ထည့်နိုင်ပါတယ်။", correct: true }, { text: "မှားသည်။", explain: "အကြံပြုထားတဲ့ labels တွေကို မြင်ချင်တယ်ဆိုရင်၊ records တွေ ဖန်တီးတဲ့အခါ ဒါမှမဟုတ် နောက်ပိုင်းအချိန်တစ်ခုမှာ သင်ကိုယ်တိုင် log လုပ်ဖို့ လိုအပ်ပါတယ်။" } ]} />

၈။ Argilla dataset တစ်ခုလုံးကို Hub သို့ export လုပ်ရန် လိုအပ်သော အဆင့်များအားလုံးကို ရွေးချယ်ပါ။

<Question choices={[ { text: "သင့် Argilla server နဲ့ ချိတ်ဆက်ဖို့ လိုအပ်ပါတယ်- client= rg.Argilla(api_url='...', api_key='...')", explain: "မှန်ပါတယ်။ သင့် server နဲ့ အပြန်အလှန်လုပ်ဆောင်ဖို့ အရင်ဆုံး instantiate လုပ်ဖို့ လိုအပ်ပါတယ်။", correct: true }, { text: "Hub ကနေ dataset ကို import လုပ်ဖို့- dataset = rg.Dataset.from_hub(repo_id='argilla/ag_news_annotated')", explain: "မမှန်ပါဘူး။ ဒါက Hub ကနေ dataset တစ်ခုကို သင့် Argilla instance ထဲကို import လုပ်ဖို့ပါ။", }, { text: "dataset ကို load လုပ်ဖို့- dataset = client.datasets(name='my_dataset')", explain: "မှန်ပါတယ်။ နောက်ထပ် operations တွေအတွက် ဒါက လိုအပ်ပါလိမ့်မယ်။", correct: true }, { text: "Argilla dataset ကို Datasets dataset အဖြစ် ပြောင်းလဲဖို့- dataset = dataset.to_datasets()", explain: "dataset တစ်ခုလုံးကို export လုပ်မယ်ဆိုရင် ဒါက မလိုအပ်ပါဘူး။ Argilla က သင့်အတွက် ဒါကို လုပ်ပေးပါလိမ့်မယ်။ ဒါပေမယ့် records အနည်းငယ်နဲ့ အလုပ်လုပ်နေတယ်ဆိုရင်တော့ လိုအပ်နိုင်ပါတယ်။" }, { text: "dataset ကို export လုပ်ဖို့ to_hub method ကို အသုံးပြုဖို့- dataset.to_hub(repo_id='my_username/dataset_name')", explain: "ဒါက dataset ကို ဖော်ပြထားတဲ့ repo id ကို push လုပ်ပြီး၊ repo မရှိသေးရင် အသစ်တစ်ခု ဖန်တီးပါလိမ့်မယ်။", correct: true }, ]} />

ဝေါဟာရ ရှင်းလင်းချက် (Glossary)

• Argilla: Data annotation နှင့် curation အတွက် open-source platform တစ်ခုဖြစ်ပြီး Natural Language Processing (NLP) tasks များအတွက် အရည်အသွေးမြင့် datasets များ ဖန်တီးရာတွင် အထောက်အကူပြုသည်။
• Unstructured Data: သတ်မှတ်ထားသော ပုံစံ သို့မဟုတ် ဖွဲ့စည်းပုံမရှိသော ဒေတာများ (ဥပမာ- စာသားများ၊ ရုပ်ပုံများ)။
• Structured Data: သတ်မှတ်ထားသော ပုံစံ သို့မဟုတ် ဖွဲ့စည်းပုံဖြင့် စုစည်းထားသော ဒေတာများ (ဥပမာ- جداول د databases)။
• NLP Tasks (Natural Language Processing Tasks): ကွန်ပျူတာတွေ လူသားဘာသာစကားကို နားလည်၊ အဓိပ္ပာယ်ဖော်ပြီး၊ ဖန်တီးနိုင်အောင် လုပ်ဆောင်ပေးတဲ့ အလုပ်တွေ (ဥပမာ- text classification, question answering)။
• Scrap a Public Website: အချက်အလက်များ စုဆောင်းရန်အတွက် အများပြည်သူသုံး ဝဘ်ဆိုဒ်တစ်ခုမှ ဒေတာများကို အလိုအလျောက် ထုတ်ယူခြင်း။
• Python SDK (Software Development Kit): Python application များ တည်ဆောက်ရန်အတွက် ကိရိယာများနှင့် library များ စုစည်းမှု။
• Annotations: စာသား၊ ရုပ်ပုံ သို့မဟုတ် အခြားဒေတာများတွင် အဓိပ္ပာယ် သို့မဟုတ် labels များကို လူသားများက ထည့်သွင်းပေးခြင်း။
• Dataset Quality: dataset တစ်ခု၏ တိကျမှု၊ ပြည့်စုံမှု၊ ဆင်တူမှု နှင့် ယုံကြည်စိတ်ချရမှု အတိုင်းအတာ။
• Use Case: ထုတ်ကုန် သို့မဟုတ် စနစ်တစ်ခုကို သီးခြားအခြေအနေတစ်ခုတွင် မည်သို့အသုံးပြုသည်ကို ဖော်ပြခြင်း။
• Distilabel Package: Synthetic datasets များ ဖန်တီးရာတွင် ကူညီပေးသော package။
• Synthetic Datasets: လက်တွေ့ဒေတာများမဟုတ်ဘဲ AI model များကို လေ့ကျင့်ရန်အတွက် ဖန်တီးထားသော ဒေတာအစုအဝေးများ။
• Review: အချက်အလက်များ သို့မဟုတ် မှတ်တမ်းများကို သေချာစွာ စစ်ဆေးခြင်း။
• Docker: Applications များကို containers များအတွင်း ထုပ်ပိုးပြီး deploy လုပ်ရန် အသုံးပြုသော platform။
• Locally Deploy: Application တစ်ခုကို cloud server တွင် မဟုတ်ဘဲ မိမိကိုယ်ပိုင် ကွန်ပျူတာပေါ်တွင် တင်ပြီး အသုံးပြုခြင်း။
• Hugging Face Spaces: Hugging Face Hub ၏ အစိတ်အပိုင်းတစ်ခုဖြစ်ပြီး Gradio ကဲ့သို့သော library များကို အသုံးပြု၍ Machine Learning demos များကို host လုပ်ပြီး မျှဝေနိုင်သည်။
• Hugging Face Datasets: Hugging Face က ထုတ်လုပ်ထားတဲ့ library တစ်ခုဖြစ်ပြီး AI မော်ဒယ်တွေ လေ့ကျင့်ဖို့အတွက် ဒေတာအစုအဝေး (datasets) တွေကို လွယ်လွယ်ကူကူ ဝင်ရောက်ရယူ၊ စီမံခန့်ခွဲပြီး အသုံးပြုနိုင်စေပါတယ်။
• Python SDK (Argilla): Argilla API နှင့် Python code မှတစ်ဆင့် အပြန်အလှန်ဆက်သွယ်နိုင်စေသော toolkit။
• Hugging Face Token: Hugging Face Hub တွင် အကောင့် authentication အတွက် အသုံးပြုသော ထူးခြားသည့် ကုဒ်။
• Argilla Server: Argilla application ကို host လုပ်ပြီး client များ၏ requests များကို ဖြေကြားပေးသော server။
• Public Argilla Space: Hugging Face Spaces ပေါ်တွင် လူတိုင်း ဝင်ရောက်ကြည့်ရှုနိုင်သော Argilla instance။
• Local Deployment: Docker ကို အသုံးပြု၍ မိမိကိုယ်ပိုင် ကွန်ပျူတာပေါ်တွင် Argilla ကို တင်ပြီး အသုံးပြုခြင်း။
• Fields: Argilla dataset အတွင်းရှိ data record တစ်ခုစီ၏ အဓိက အချက်အလက် ကဏ္ဍများ။ ၎င်းတို့သည် annotation လုပ်မည့် အကြောင်းအရာကို ပြသသည်။
• Records: Dataset အတွင်းရှိ တစ်ခုချင်းစီသော data entry များ။
• Metadata: data အကြောင်း အချက်အလက်များ (data about data)။ ၎င်းတို့ကို filtering နှင့် sorting အတွက် အသုံးပြုနိုင်သည်။
• SpanQuestion: Argilla တွင် အသုံးပြုသော မေးခွန်းအမျိုးအစားတစ်ခုဖြစ်ပြီး စာသားအပိုင်းအစများကို highlight လုပ်ပြီး label များကို သတ်မှတ်ရန် အသုံးပြုသည်။ Token classification အတွက် အသင့်တော်ဆုံးဖြစ်သည်။
• Token Classification Task: စာသား sequence တစ်ခုအတွင်းရှိ token တစ်ခုစီကို အမျိုးအစားခွဲခြားသတ်မှတ်ခြင်း လုပ်ငန်း (ဥပမာ- Named Entity Recognition)။
• LabelQuestion: Argilla တွင် အသုံးပြုသော မေးခွန်းအမျိုးအစားတစ်ခုဖြစ်ပြီး record တစ်ခုလုံးအတွက် label တစ်ခုကို ရွေးချယ်ရန် အသုံးပြုသည်။ Text classification အတွက် အသင့်တော်ဆုံးဖြစ်သည်။
• Text Classification Task: စာသားကို သတ်မှတ်ထားသော အမျိုးအစားများထဲသို့ ခွဲခြားသတ်မှတ်ခြင်းနှင့် သက်ဆိုင်သော ပြဿနာ။
• TextQuestion: Argilla တွင် အသုံးပြုသော မေးခွန်းအမျိုးအစားတစ်ခုဖြစ်ပြီး အသုံးပြုသူအား စာသားများ ရေးသားရန် ခွင့်ပြုသည်။
• "Save as draft" Button: Argilla UI တွင် annotation လုပ်ထားသော အဖြေများကို သိမ်းဆည်းထားရန် အသုံးပြုသော်လည်း ၎င်းတို့ကို submit လုပ်ခြင်းမရှိသေးပါ။
• Submit Responses: annotation လုပ်ထားသော အဖြေများကို အပြီးသတ်သိမ်းဆည်းပြီး server သို့ ပေးပို့ခြင်း။
• Discard a Record: dataset မှ record တစ်ခုကို ဖယ်ရှားခြင်း သို့မဟုတ် လျစ်လျူရှုခြင်း။
• Suggested Labels: AI model သို့မဟုတ် အခြားနည်းလမ်းများမှ ထုတ်ပေးသော ကြိုတင်ခန့်မှန်းထားသည့် labels များ။ ၎င်းတို့ကို annotation လုပ်သူများက အတည်ပြုခြင်း သို့မဟုတ် ပြင်ဆင်နိုင်သည်။
• Log: ဖြစ်ရပ်များ သို့မဟုတ် အချက်အလက်များကို မှတ်တမ်းတင်ခြင်း။
• rg.Argilla(): Argilla Python SDK မှ Argilla client object ကို instantiate လုပ်ရန် function။
• api_url: Argilla server ၏ URL။
• api_key: Argilla server သို့ authentication အတွက် အသုံးပြုသော API key။
• Instantiate: class တစ်ခုမှ object တစ်ခုကို ဖန်တီးခြင်း။
• rg.Dataset.from_hub(): Argilla Python SDK မှ Hugging Face Hub မှ dataset တစ်ခုကို Argilla instance ထဲသို့ import လုပ်ရန် function။
• repo_id: Hugging Face Hub ရှိ repository ၏ ID (ဥပမာ- my_username/my_dataset)။
• client.datasets(): Argilla client မှ Argilla server ပေါ်ရှိ dataset များကို ဝင်ရောက်ကြည့်ရှုရန် method။
• dataset.to_datasets(): Argilla dataset object ကို Hugging Face Dataset object အဖြစ် ပြောင်းလဲရန် method။
• Subset of Records: dataset တစ်ခုလုံးမှ ရွေးထုတ်ထားသော အချက်အလက် အနည်းငယ်။
• to_hub() Method: Argilla dataset ကို Hugging Face Hub သို့ export (push) လုပ်ရန် method။
• my_username/dataset_name: Hugging Face Hub တွင် dataset ကို upload လုပ်မည့် repository ၏ ID။