(2강) 자연어처리 데이터 기초

데이터 제작 전반에 걸친 기초 개념을 정의한다.
주석 관련 용어, 텍스트 데이터의 단위 등을 정의
자연어처리 데이터의 형식에 대해 학습

1. 인공지능 모델 개발을 위한 데이터

1.1. 데이터의 종류

말뭉치 류: 대화문, 기사, SNS, 댓글, 주석말뭉치, 요약 말뭉치 등
사전/데이터베이스 류: 온톨로지, 워드넷, 시소러스, 지식그래프 등

1.2. 인공지능 기술의 발전

1950s: rule based
1990s: statistics based (단어기반, 문장기반)
2000s: machine learning based (지도학습, 비지도 학습, 강화학습)

Task와 데이터는 그대로 이며 기술적인 발전이 이루어 지고 있다.

언어 모델 평가를 위한 종합적인 벤치마크 등장

벤치마크의 구성

2. 데이터 관련 용어 정리

텍스트 text
주석, 번역, 서문 및 부록 따위에 대한 본문이나 원문.
언어 문장보다 더 큰 문법 단위. 문장이 모여서 이루어진 한 덩어리의 글을 이룬다.
말뭉치 corpus, plural corpora
말뭉치: 어떤 기준으로든 한 덩어리로 볼 수 있는 말의 뭉치 (한 저작자의 저작 전부, 특정 분야 저작 전체)
텍스트 아카이브 text archive vs 말뭉치 corpus (selected, structured, designed)
데이터 data
정보 통신 컴퓨터가 처리할 수 있는 문자, 숫자, 소리, 그림 따위의 형태로 된 정보.
말뭉치 데이터 corpus data: 말뭉치 자체
말뭉치의 데이터 data from corpus: 용례 색인 결과, 연여 추출 결과, 통계 분석결과
주석
tag, label, annotation, tagging, labeling
형태소 분석기 vs ~~형태소 주석기~~: segmentation

언어학의 연구 분야

💭token화 할 때 단위로 볼 수 있을듯.

2.1. 텍스트 데이터의 기본 단위

영어 말뭉치의 계량단위: 단어(=띄어쓰기 단위) / 문장 또는 발화
한국어 말뭉치의 계량단위: 어절(=띄어쓰기 단위) / 문장 또는 발화

한국어의 "단어": 9품사로 분석됨(명사, 수사, 대명사, 동사, 형용사, 관형사, 부사, 조사, 감탄사) 이 중 "조사"는 체언(명사, 수사, 대명사)와 붙어서 사용되기 떄문에 띄어쓰기 단위와 단어의 단위가 일치하지 않게 된다. 또한, "어미"는 하나의 품사로 인정되지 않으며 형태 단위이므로 독립된 단어가 아님.

💭 한국어 NLP에서 쓰기 너무 복잡해 ㅠㅠ

품사: 단어를 문법적 성질의 공통성에 따라 몇 갈래로 묶어 놓은 것

품사 분류의 기준: 의미(뜻, meaning), 기능(구실, function), 형식(꼴, form)