Nattapong Tapachoom
commited on
Commit
·
ae45e81
1
Parent(s):
2087372
Update README.md with comprehensive features and installation instructions for DekData
Browse files
README.md
CHANGED
|
@@ -1,13 +1,178 @@
|
|
| 1 |
---
|
| 2 |
-
title: DekData
|
| 3 |
-
emoji:
|
| 4 |
-
colorFrom:
|
| 5 |
-
colorTo:
|
| 6 |
sdk: gradio
|
| 7 |
sdk_version: 5.33.1
|
| 8 |
app_file: app.py
|
| 9 |
pinned: false
|
| 10 |
license: cc-by-nc-nd-4.0
|
|
|
|
| 11 |
---
|
| 12 |
|
| 13 |
-
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
---
|
| 2 |
+
title: DekData - AI Dataset Generator
|
| 3 |
+
emoji: 🤖
|
| 4 |
+
colorFrom: blue
|
| 5 |
+
colorTo: purple
|
| 6 |
sdk: gradio
|
| 7 |
sdk_version: 5.33.1
|
| 8 |
app_file: app.py
|
| 9 |
pinned: false
|
| 10 |
license: cc-by-nc-nd-4.0
|
| 11 |
+
short_description: "Comprehensive AI-powered dataset generation system with multi-language support and advanced post-processing capabilities"
|
| 12 |
---
|
| 13 |
|
| 14 |
+
# 🤖 DekData - AI Dataset Generator
|
| 15 |
+
|
| 16 |
+
**ระบบสร้าง Dataset อัจฉริยะด้วย AI สำหรับงานวิจัยและพัฒนาโมเดล Machine Learning**
|
| 17 |
+
|
| 18 |
+
DekData เป็นระบบที่ครอบคลุมสำหรับการสร้าง ขยาย และประมวลผล dataset โดยใช้ AI models ต่างๆ รองรับการทำงานกับหลายภาษาและมีความสามารถในการประมวลผลหลังขั้นสูง
|
| 19 |
+
|
| 20 |
+
## ✨ คุณสมบัติหลัก
|
| 21 |
+
|
| 22 |
+
### 🔧 การโหลดข้อมูล
|
| 23 |
+
- รองรับไฟล์หลายรูปแบบ: CSV, JSONL, JSON, Parquet
|
| 24 |
+
- โหลด dataset จาก Hugging Face Hub
|
| 25 |
+
- รองรับ HF Dataset directories ที่สร้างแล้ว
|
| 26 |
+
- ฟีเจอร์ตัวอย่างข้อมูลก่อนประมวลผล
|
| 27 |
+
|
| 28 |
+
### 🤖 ผู้ให้บริการ LLM
|
| 29 |
+
- **Ollama**: Local LLM server (รองรับ auto-detect models)
|
| 30 |
+
- **DeepSeek API**: deepseek-chat, deepseek-reasoner
|
| 31 |
+
- **Hugging Face**: API inference
|
| 32 |
+
- **HF Local**: โหลดโมเดลใช้งานในเครื่อง
|
| 33 |
+
|
| 34 |
+
### ✨ การสร้างข้อมูลใหม่
|
| 35 |
+
- **Augment**: ขยายข้อมูลจากตัวอย่างเดิม
|
| 36 |
+
- **Roleplay**: สร้างมุมมองจากบทบาทต่างๆ
|
| 37 |
+
- **Topic Conditioning**: สร้างสถานการณ์ใหม่ตามหัวข้อ
|
| 38 |
+
- **Self Critique**: วิเคราะห์และปรับปรุงเหตุผล
|
| 39 |
+
- **Custom Prompt**: ใช้ prompt ที่กำหนดเอง
|
| 40 |
+
|
| 41 |
+
### 🌍 รองรับหลายภาษา
|
| 42 |
+
- การ generate ในภาษาต่างๆ: ไทย, อังกฤษ, จีน, ญี่ปุ่น
|
| 43 |
+
- การแปลภาษาอัตโนมัติ
|
| 44 |
+
- รักษาบริบททางวัฒนธรรมในการแปล
|
| 45 |
+
|
| 46 |
+
### 🔧 การประมวลผลหลัง
|
| 47 |
+
- **ลบข้อมูลซ้ำ**: ใช้ MD5 hashing
|
| 48 |
+
- **ตรวจสอบไวยากรณ์**: กรองข้อมูลที่มีปัญหา
|
| 49 |
+
- **ประเมินความยาก**: easy, medium, hard
|
| 50 |
+
- **สร้าง Multiple Choice**: เพิ่มตัวเลือกอัตโนมัติ
|
| 51 |
+
|
| 52 |
+
### 💾 การส่งออกข้อมูล
|
| 53 |
+
- **CSV**: สำหรับ Excel/Spreadsheet
|
| 54 |
+
- **JSONL**: สำหรับ machine learning
|
| 55 |
+
- **Parquet**: รูปแบบคอลัมน์ประสิทธิภาพสูง
|
| 56 |
+
- **HF Dataset**: Hugging Face Dataset (Parquet format)
|
| 57 |
+
|
| 58 |
+
## 🚀 การติดตั้งและใช้งาน
|
| 59 |
+
|
| 60 |
+
### ความต้องการระบบ
|
| 61 |
+
```bash
|
| 62 |
+
Python 3.8+
|
| 63 |
+
```
|
| 64 |
+
|
| 65 |
+
### การติดตั้ง Dependencies
|
| 66 |
+
```bash
|
| 67 |
+
pip install -r requirements.txt
|
| 68 |
+
```
|
| 69 |
+
|
| 70 |
+
### การรันแอปพลิเคชัน
|
| 71 |
+
```bash
|
| 72 |
+
python app.py
|
| 73 |
+
```
|
| 74 |
+
|
| 75 |
+
แอปพลิเคชันจะทำงานที่: `http://localhost:7860`
|
| 76 |
+
|
| 77 |
+
## 📋 Schema ของ Dataset
|
| 78 |
+
|
| 79 |
+
```json
|
| 80 |
+
{
|
| 81 |
+
"id": "string",
|
| 82 |
+
"context": "string",
|
| 83 |
+
"question": "string",
|
| 84 |
+
"options": ["string"] | null,
|
| 85 |
+
"answer": "string",
|
| 86 |
+
"rationale": "string",
|
| 87 |
+
"category": "string",
|
| 88 |
+
"difficulty": "easy|medium|hard",
|
| 89 |
+
"source": "string",
|
| 90 |
+
"language": "th|en|zh|ja"
|
| 91 |
+
}
|
| 92 |
+
```
|
| 93 |
+
|
| 94 |
+
## 📝 ตัวอย่างการใช้งาน
|
| 95 |
+
|
| 96 |
+
### 1. โหลดข้อมูลจากไฟล์ CSV
|
| 97 |
+
1. เลือก "local" ในประเภทแหล่งข้อมูล
|
| 98 |
+
2. อัปโหลดไฟล์ CSV หรือใส่ path
|
| 99 |
+
3. กดปุ่ม "ดูตัวอย่างข้อมูล"
|
| 100 |
+
|
| 101 |
+
### 2. Generate ข้อมูลใหม่ด้วย Ollama
|
| 102 |
+
1. เลือก "ollama" ใน LLM Provider
|
| 103 |
+
2. เลือกโมเดลที่ต้องการ
|
| 104 |
+
3. ตั้งค่าการ generate (ประเภท, จำนวน, ภาษา)
|
| 105 |
+
4. รันเวิร์กโฟลว์
|
| 106 |
+
|
| 107 |
+
### 3. ส่งออกเป็น Parquet
|
| 108 |
+
1. เลือก "parquet" ในรูปแบบ Export
|
| 109 |
+
2. ไฟล์จะถูกสร้างด้วยชื่อที่มี timestamp
|
| 110 |
+
|
| 111 |
+
## 🔧 การก���หนดค่า
|
| 112 |
+
|
| 113 |
+
### Ollama Setup
|
| 114 |
+
```bash
|
| 115 |
+
# ติดตั้ง Ollama
|
| 116 |
+
curl -fsSL https://ollama.ai/install.sh | sh
|
| 117 |
+
|
| 118 |
+
# ดาวน์โหลดโมเดล
|
| 119 |
+
ollama pull llama3.2
|
| 120 |
+
ollama pull gemma2
|
| 121 |
+
```
|
| 122 |
+
|
| 123 |
+
### DeepSeek API
|
| 124 |
+
1. สมัครบัญชีที่ [DeepSeek](https://www.deepseek.com)
|
| 125 |
+
2. รับ API Key
|
| 126 |
+
3. ใส่ API Key ในช่อง "API Key"
|
| 127 |
+
|
| 128 |
+
## 📊 ตัวอย่างผลลัพธ์
|
| 129 |
+
|
| 130 |
+
ระบบจะแสดงสถิติ Dataset:
|
| 131 |
+
- จำนวนข้อมูลทั้งหมด
|
| 132 |
+
- การกระจายตามหมวดหมู่
|
| 133 |
+
- ระดับความยาก
|
| 134 |
+
- ภาษาที่ใช้
|
| 135 |
+
- จำนวนที่มี Multiple Choice
|
| 136 |
+
|
| 137 |
+
## 🛠️ Development
|
| 138 |
+
|
| 139 |
+
### โครงสร้างโค้ด
|
| 140 |
+
```
|
| 141 |
+
app.py # แอปพลิเคชันหลัก
|
| 142 |
+
requirements.txt # Dependencies
|
| 143 |
+
sample_data.csv # ตัวอย่างข้อมูล
|
| 144 |
+
README.md # เอกสารนี้
|
| 145 |
+
```
|
| 146 |
+
|
| 147 |
+
### การพัฒนาต่อ
|
| 148 |
+
1. Fork repository
|
| 149 |
+
2. สร้าง feature branch
|
| 150 |
+
3. Implement changes
|
| 151 |
+
4. Submit pull request
|
| 152 |
+
|
| 153 |
+
## ⚠️ ข้อจำกัดและคำเตือน
|
| 154 |
+
|
| 155 |
+
### การใช้งาน
|
| 156 |
+
- ระบบจำกัดการประมวลผลเพื่อประสิทธิภาพ
|
| 157 |
+
- การ generate ขึ้นอยู่กับคุณภาพของโมเดล AI
|
| 158 |
+
- ต้องมี API Key สำหรับบริการภายนอก
|
| 159 |
+
|
| 160 |
+
### ทรัพย์สินทางปัญญา
|
| 161 |
+
- ระบบนี้เป็นทรัพย์สินทางปัญญา
|
| 162 |
+
- ห้ามคัดลอกหรือใช้เชิงพาณิชย์โดยไม่ได้รับอนุญาต
|
| 163 |
+
- อนุญาตให้ใช้เพื่อการศึกษาและวิจัยเท่านั้น
|
| 164 |
+
|
| 165 |
+
## 📞 การสนับสนุน
|
| 166 |
+
|
| 167 |
+
สำหรับข้อสงสัยหรือปัญหาการใช้งาน:
|
| 168 |
+
- ตรวจสอบ Issues ใน repository
|
| 169 |
+
- อ่านเอกสารประกอบ
|
| 170 |
+
- ติดต่อผู้พัฒนา
|
| 171 |
+
|
| 172 |
+
## 📄 License
|
| 173 |
+
|
| 174 |
+
CC BY-NC-ND 4.0 - สงวนลิขสิทธิ์ © 2025
|
| 175 |
+
|
| 176 |
+
---
|
| 177 |
+
|
| 178 |
+
**สร้างด้วย ❤️ สำหรับชุมชนนักวิจัยและนักพัฒนา AI**
|