NLP & AI

Natural Language Processing Research DEMO

초거대언어 모델인 ChatGPT를 활용하여, 음성에서 텍스트로 변환된 데이터, 그리고 텍스트 시퀀스에 대해서 이상 대화와 정상 대화 데이터에 대한 패턴을 인식하여 금융사기 및 보이스피싱 탐지가 가능한 시스템에 대한 영상입니다

video: Link

자동 생성된 다양한 질의응답 쌍을 통한 문답법으로 어린이 영어 교육에 목적이 있는 시스템 설명 및 시연영상입니다.

video: Link

Whisper

Whisper demo는 OpenAI에서 개발한 Speech-to-text 기술인 Whisper를 한국어와 영어로 적용한 기술 데모입니다

demo: Link

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다. (The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

BERTOEIC Demo

TOEIC Part 5 단문 빈칸 채우기 문제를 푸는 모델입니다.
Question과 선택지들을 입력하고 ‘Submit’ 버튼을 클릭하면, 문제의 정답을 확인하실 수 있습니다.

demo: Link

Discrete Reasoning MRC (DRMRC) Demo

단락에 대해 한국어 이산추론이 가능한 기계독해 (Machine Reading Comprehension) 데모 프로그램입니다.

demo: Link

ConTalky: 건설 분야 전문가의 의사소통을 위한 정보 추출 및 시각화 플랫폼

ConTalky는 자연언어처리의 대표적인 기술인 형태소 분석, 의존구문 분석, 의미역 결정 기술을 융합하여 건설 분야의 “설계기준문서”를 시각화하고 핵심 정보추출을 자동으로 해주는 플랫폼이다. 해당 플랫폼을 이용하여 토목분야 전문가들의 의사소통 문제를 완화시킬 수 있으며 용어의 비통일성 및 표준화에도 기여할 수 있다.

demo: Link

Explore IFC Ontology

디지털 건설기준을 기반으로 PSC 거더교 설계 문서를 검증하기 위한 demo입니다.
사용자가 검토를 원하는 구조물의 설계 정보가 담긴 파일을 업로드하면, 업로드된 파일을 바탕으로 관련된 설계 요소들 간의 관계 및 구조를 시각화한 온톨로지 그래프를 나타냅니다.
또한 입력된 값을 구조 계산서의 검토 항목과 비교하여 최종적인 기준 적합성 여부를 OK/NG로 출력하며, 검토에 사용된 참고 문서를 출력합니다.

demo: Link

[사용자 메뉴얼]
1)해당 링크에 접속하여 상단에 ‘예제 파일 다운로드’를 통해 설계 예제 파일을 다운받아주세요.
2) 그 후, 아래의 파일을 업로드하는 곳에 다운받은 예제 파일을 넣고 <확인>버튼을 누르면, 분석 결과를 확인하실 수 있습니다.
(현재는 PSC 거더교 설계 문서에 대한 검증만 가능합니다.)

토목 도메인의 문장에 대한 Dependency Parsing Visualization Demo

토목 도메인의 전문용어를 포함하는 문장들을 입력받아 의존 분석 결과를 그래프로 나타내줍니다.
사용한 전문용어는 **<KDS콘크리트구조설계(강도설계법)일반사항>, <KDS교량설계하중(일반설계법)>으로부터 수집하였습니다.**

DEMO : LINK

토목 도메인에 대한 Word Co-Occurence Visualization Demo

<KDS콘크리트구조설계(강도설계법)일반사항>과 <KDS교량설계하중(일반설계법)>에서의 명사들에 대해 입력받은 명사와 공기(co-occurence)관계를 갖는 명사들과 그 mutual information 값을 그래프로 나타내줌

DEMO : LINK

Demo URL: http://nlplab.iptime.org:32272/

GPT2 언어 모델을 활요해서 제목 및 본문을 바탕으로 현재 열람하고 있는 기사와 유사한 문맥과 어휘를 지니고 있는 뉴스 기사를 추천하는 시스템입니다.

유사도 점수는 0점에서 5점 사이로 설정했으며, 기본 값은 2.5점으로 조정했습니다.

본 데모에서는 간단히 샘플 뉴스 기사 3개에 대해서 추천 기사를 확인할 수 있으며, 직접 뉴스 기사 URL을 통해 추천 기사를 확인할 수 있습니다.

뉴스 기사는 시기에 따라 변화가 큰 만큼, 추천 기사 목록은 매 버전마다 최신 뉴스 기사로 업데이트합니다.

These videos shows NAO robot, running Natural Languate Processing system developed by NLP&AI Lab for religious activity and English learning.

Video title and description is written in Korean.

DEMO (English free talking and grammar correction): https://www.youtube.com/watch?v=pSBXouica-A

DEMO (MRC)
(1) https://www.youtube.com/watch?v=eViGGf_L8GY
(2) https://www.youtube.com/watch?v=_WYRtOWbrDY
(3) https://www.youtube.com/watch?v=JQXRUDbdq78

DEMO (Religious activity): https://www.youtube.com/watch?v=Fc97FcX8NNE

DEMO (Recommend and read fairy tales): https://www.youtube.com/watch?v=rI8ep18-ISE&t=9s

DEMO (Bilingual Education): https://www.youtube.com/watch?v=4kCMMa62LDY&t=9s

Emotion Recognition in Conversation

EmotionLines 데이터셋(Friends 대화 스크립트 및 EmotionPush 채팅 데이터)으로 학습된 BERT 기반 Contextual Emotion Detection 데모 프로그램입니다. 단일 문장 분류와 달리 대화 내 맥락을 고려한 감정 파악이 가능합니다.

데모 링크 : LINK

인텔리젼스 리포트 자동 분석 시스템

본 페이지는 “머신러닝을 이용한 비정형 위협정보 자동추출” 과제의 데모입니다.
PDF 형식의 인텔리젼스 리포트를 업로드하시면 분석 결과를 확인하실 수 있습니다.

Link: Demo

Sentiment Analysis Demo

Online news has replaced the traditional newspaper and has brought about a profound transformation in the way we access and share information. News websites have had the ability for users to post comments for quite some time, and some have also begun to crowdsource reactions to news articles. The field of sentiment analysis seeks to computationally model the emotions and reactions experienced when presented with text. We analyzed more than 100,000 news articles over ten categories with five user-generated emotional annotations to determine whether or not these reactions have a mathematical correlation to the news body text and propose a simple sentiment analysis algorithm that requires minimal preprocessing and no machine learning.
Korean language sentiment analysis demo: Click Here

Stack-Pointer Network를 이용한 한국어 의존 분석 Demo

Stack-Pointer Network를 한국어의 언어적 특성에 적합하게 확장한 한국어 대상 Stack-Pointer Network의 demo입니다.

빈칸에 한국어 문장을 입력하고 ‘의존 분석’ 버튼을 클릭하여 자동 분석된 문장의 의존 트리를 확인할 수 있습니다.

Link: Demo

Korean Morphological Analysis using Rich Character-Level Information (Bi-LSTM) by Andrew Matteson

Previous work on Korean morphological analysis typically employs the use of sub-character features known as graphemes or otherwise utilizes comprehensive prior linguistic knowledge (i.e., a dictionary of known morphological transformation forms, or actions). These models have been created with the assumption that character-level, dictionary-less morphological analysis was intractable due to the number of actions required. We present a model that achieves state-of-the-art word and sentence-level tagging performance (at time of writing) on the Sejong Korean corpus, using no knowledge specific to the Korean language whatsoever.
To use the demo, please go into the link and write in a random text. Then click on the ‘Analyze’ button to see the results

DEMO : DEMO

Demo link: Bilingual Word Embedding

Dense real-valued vector representations of words or word embedding have recently gained increasing popularity in natural language processing, serving as invaluable features in a broad range of NLP tasks.

Research interest has recently extended to bilingual word embeddings. Bilingual word embedding models focus on the induction of a shared bilingual word embedding space where words from both languages are represented in a uniform language-independent manner such that similar words have similar representation.

These research goal make seed lexicon by aligned parallel data and make mapping function between seed lexicon and general-domain corpora such as Wikipedia. Therefore, we expect to applicate these research to other NLP tasks such as machine translation.

실행방법 : 링크 클릭 후 왼쪽 바에서 load data 클릭 후 preload example 클릭

Demo link: SyntaxNet Tree Generator

This demo uses Komoran 3 for morphological analysis and POS tagging, which is used as an input to SyntaxNet which performs dependency parsing. Dependency parsing determines dependencies among words in a sentence, which can pave the way for sentiment analysis and could also be used to improve machine translation. The generated SyntaxNet file is then passed through a tree visualization tool and output in SVG format.

Five tabs are provided: POS Tagging, Dependency Parsing, Reassembly, Semantic Analysis, and Debug. POS Tagging and Dependency Parsing show the POS tags and parsing results of the original sentence components, and reassembly shows these components recombined back into Korean words (Eojeol). Semantic Analysis tab uses experimental Wikipedia taxonomy analysis and multilingual link database to show Korean and English translations for some terms. The Debug tab can be used to check more details if an error occurs.

For more details on how SyntaxNet works under the hood, check out Andrew’s documentation on his blog here:

http://andrewmatteson.name/index.php/2017/02/04/inside-syntaxnet/

The SyntaxNet seminar is also available on the Seminars page.

과제 명 : 개인과 집단지성의 디지털콘텐츠화를 통한 유통 및 확산 서비스 기술 개발

본 연구는 사용자가 원하는 결과와 원치 않는 검색 결과가 섞여 나타나는 것을 방지하고 검색에 드는 시간과 노력을 최소화하여 사용자에게 편리성과 만족도를 향상시킬 수 있는 “디지털 콘텐츠 개인화 검색”이다. 본 연구를 통하여 검색 효율을 향상시키고 소비자의 검색 결과에 대한 만족도를 증대시켜서 디지털 콘텐츠 소비를 활성화 시키고자 한다.

DEMO : Contents Recommendation System Link

Previous slide Next slide

Dialogue System Demo

CLIP을 이용한 비디오 기반 대화 시스템 설명 및 시연 영상입니다.

video: Link

Landmark에 대한 customized guide demo입니다. Landmark를 선택하고 ‘Start’ 버튼을 클릭하면, 해당 landmark의 persona와 knowledge를 확인하실 수 있습니다. 그리고 질문 리스트 중 하나를 선택하고 ‘Generate an answer!’을 클릭하면, 그에 맞는 답변을 확인하실 수 있습니다.

DEMO: DEMO

CNA: Counter Narrative Agents for explicit and implicit hate speech

혐오표현에 대한 탐지를 수행하고, 이를 바탕으로 그에 대응되는 발화인 Counter Narrative (CN)를 생성합니다. CN은 혐오성 발화에 대한 반응으로, 사실에 입각한 주장 또는 대안적 관점으로 극단적인 진술의 완화를 유도하는 목적성 발화에 해당합니다. 이를 통해 혐오감 해소 및 상호간의 이해를 유도합니다. 이는 사용자의 부적절한 발화에 대한 구체적인 조치로 사용되며, 더 나아가 혐오표현 발화 재발 방지를 할 수 있는 효과를 가집니다.

DEMO: http://nlplab.iptime.org:54066/

Dialogue-based Relation Extraction은 주어진 대화에 등장하는 개체들을 대상으로 관계를 추론하는 작업입니다. 본 기술을 이용하여 발화자와 문맥 속의 특정 개체들과의 관계를 추론함으로써, 보다 발전된 대화 및 정보추출 시스템을 구축할 수 있습니다.
– DEMO: Link

PEEP-Talk

PEEP-Talk is an educational platform with a deep learning-based persona conversation system and a feedback function for correcting English grammar. In addition, It has situational conversation system, a Context Detector (CD) module that can automatically determine the flow of conversation and change the conversation topic in real time can be applied to give the user a feeling of talking to a real person.

DEMO : peeptalk.us
Youtube : https://youtu.be/PXlIEOi54wY

Cosmetic review generation demo

Generate a cosmetic review considering the context information.
URL : http://demo.tmkor.com:36200/ctrl

Chitchat dialog generation demo

Learn the language model from the collected daily conversation and use it to generate a chitchat conversation.
URL : http://demo.tmkor.com:36200/dialo

COVID-19 Q&A chatbot demo

Using the NLU(Neural Language Understanding) technology, find the correct answer span to the various questions of COVID-19 in the news article.
URL : http://demo.tmkor.com:36200/mrcv2

Chatbot demo for cyber university admission QA

ChatHelper는 챗봇 기술과 자연어 처리 기술에 익숙하지 않은 일반 사용자들이 이미 보유한 데이터로부터 쉽게 챗봇을 구축하고 서비스를 제공할 수 있도록 돕는 도구입니다.
챗봇 서비스를 이용하는 질문자는 빠르게 자신이 원하는 답변을 얻고, 제공된 기존 질의응답 데이터의 전체 내용과 날짜를 확인하여 원하는 정보에 쉽고 빠르게 접근할 것입니다.
제공된 데모 페이지는 ChatHelper만을 이용하여 구축한 사이버대학 입학 상담 챗봇입니다. 자유롭게 질문을 입력하고 전송하면, 빠른 시간 내에 답변을 확인할 수 있습니다.

데모 링크: LINK

Korean Restaurant Reservation Dialogue System by Lee Dong Yub

A Goal-oriented dialogue system is a system that can perform a specific purpose through text or voice. This demo system, based on the Hybrid Code Network structure, which is able to learn end-to-end learning method by combining domain specific knowledge, we constructed a dialogue system for restaurant reservation by using dialog data set related to restaurant reservation composed in Korean. This Korean restaurant reservation system has 95% accuracy and 63% accuracy.

DEMO : DEMO

Previous slide Next slide

Machine Translation Research Group Demo

A Self-Supervised Automatic Post-Editing Data Generation Tool

Data building for automatic post-editing (APE) requires extensive and expert-level human effort, as it contains an elaborate process that involves identifying errors in sentences and providing suitable revisions. Hence, we develop a self-supervised data generation tool, deployable as a web application, that minimizes human supervision and constructs personalized APE data from a parallel corpus for several language pairs with English as the target language. Data-centric APE research can be conducted using this tool, involving many language pairs that have not been studied thus far owing to the lack of suitable data.

DEMO : LINK

A New Tool for Efficiently Generating Quality Estimation Datasets

Building of data for quality estimation (QE) training is expensive and requires significant human labor. In this study, we focus on a data-centric approach while performing QE, and subsequently propose a fully automatic pseudo-QE dataset generation tool that generates QE datasets by receiving only monolingual or parallel corpus as the input.
Consequently, the QE performance is enhanced either by data augmentation or by encouraging multiple language pairs to exploit the applicability of QE. Further, we intend to publicly release this user friendly QE dataset generation tool as we believe this tool provides a new, inexpensive method to the community for developing QE datasets.

DEMO : LINK

A Tool for generating High-Quality Parallel Corpus considering Human Translation Market

This paper proposes a tool for efficiently constructing high-quality parallel corpora with minimizing human labor and making this tool publicly available. Our proposed construction process is based on neural machine translation (NMT) to allow for it to not only coexist with human translation, but also improve its efficiency by combining data quality control with human translation in a data-centric approach.

DEMO : LINK

Translation platfrom with AIHUB dataset

딥러닝 기반의 기계번역기 모델을 제작하였으며 현재 개발 초기 버전의 모델을 공개하였습니다.

DEMO : DEMO

BTS (BackTranScription) for STT Post-Processor

Back TranScription (BTS), a denoising-based method that can create such corpora without human labor. Using a raw corpus, BTS corrupts the text using Text-to-Speech (TTS) and Speech-to-Text (STT) systems. Then, a post-processing model can be trained to reconstruct the original text given the corrupted input. Quantitative and qualitative evaluations show that a post-processor trained using our approach is highly effective in fixing non-trivial speech recognition errors such as mishandling foreign words.

DEMO : BTS DEMO

Ko-CSS for simultaneous speech translation(Korean Colloquial-Sentence-Splitter)

This demo is used for simultaneous speech translation of ASR results. The ASR model we use assumes a system that has good spacing but does not attach symbols. Please note that the role is different from the general sentence splitter.

DEMO : Ko-CSS Demo

PicTalky: Text to Pictogram

Children with language developmental disabilities often struggle through their lives from a lot of challenges in everyday life and social activities. They’re often easily deprived of the opportunity to engage in social activities, because they find difficulty in understanding or using language, a core means of communication. With regard to this issue, AAC(Augmentative and Alternative Communication) can be an effective communication tool for children who are suffering from language disabilities. This deep learning-based AI service makes full use of the pictogram as an AAC tool for children with language developmental disabilities to improve not only the ability to interact with others but the capacity to understand language. Using this service, we strive to help these children to more effectively communicate their intention or desire and enhance the quality of life.
The model 1) gets user’s voice (in demo, text instead) as an input, 2) correct user’s sentence and then 3) transfer it to pictogram images.

Link: PicTalky DEMO

Ancient Korean Neural Machine Translation Platform

고전번역이란 조선왕조실록, 승전원일기와 같은 고어를 번역하는 것을 의미합니다. 고전번역은 고어를 번역하는 작업이다보니 많은 시간적 비용이 투자됩니다. 또한, 사람이 고어를 번역하는 작업은 전문가의 손길을 필요로 하기 때문에 많은 인적 비용도 요구됩니다.
이러한 문제점을 극복하기 위하여 사람과 비슷한 수준의 고품질의 기계번역기를 만들어 시간적, 인적 비용을 줄일 수 있습니다. 인공지능 기술을 고전문헌 번역에 적용함으로 고전문헌 연구, 역사 연구에 획기적인 변화를 일으킬 수 있습니다. 더 나아가 규장각 도서 등 아직 미번역 상태의 방대한 고전문헌들의 번역에도 인공지능이 크게 기여할 수 있을 것입니다.
본 Demo는 이러한 고전문헌번역의 필요성에 입각하여 고전번역에 특화된 인공신경망 기계번역의 초기연구를 진행하였습니다.

DEMO : AKNMT Demo

고려대학교 Neural Machine Translation Platform

딥러닝 기반의 기계번역기 모델을 제작하였으며 현재 개발 초기 버전의 모델을 공개하였습니다. (지원언어쌍: 한-영, 영-한, 한-일)

DEMO : 기계번역기 Demo

Grammar Error Correction Platform

영문법 교정이란 주어진 문장에서 나타나는 영문법 오류들을 올바르게 교정하는 것을 뜻하며, 영문법 교정 시스템이란 컴퓨터가 이를 자동으로 수행하는 것을 의미합니다. 본 기술은 영어문법 교정기를 기계번역의 관점으로 해석하였으며 source sentence에 노이즈 문장을, target sentence에 올바른 문장을 두어 Seq2Seq 모델을 이용한 기술을 개발하였습니다.

DEMO : 영문법 교정기 Demo

딥러닝 기반 한국어 맞춤법 교정기

자체 개발한 자동 Noise 생성 방법론을 이용한 Transformer 기반 한국어 맞춤법 교정기.

규칙, 통계 기반 방식을 일절 배제하고 오직 End-to-End 시스템으로만 작동함.

현재 초기 버전만 오픈하였으며 추후 업그레이드 버전 공개 예정.

DEMO : 한국어 맞춤법 교정기 Demo

Previous slide Next slide

Neural Symbolic Demo

KG-to-Text Generation

– Task Definition
주어진 지식 그래프(knowledge graph; KG)를 자연어로 변환하는 작업
– Necessity
생성 모델의 제어성(controllability) 향상에 기여
제어성이 결여된 NLG 예시: Chit-chat, poem generator
겉으로만 그럴싸한(fluent) 말이 아닌, 유의미한 정보를 전달해야 하는 서비스에 활용
생성 모델 기반의 검색, 요약, 질의 응답 대화 시스템 등

DEMO : DEMO

Generative Commonsense Reasoning with External Knowledge

생성적 일반 상식 추론 (Generative Commonsense Reasoning)
주어진 개념 집합 (concept set)을 바탕으로 문장을 생성하는 능력으로, 언어 모델의 외부 지식에 대한 이해와 일반 상식 추론 능력을 기반으로 한다.

개념 집합은 기능적 단어 (function word)보다 의미적 단어 (content word)를 포함하며, 최대한 객관적인 형태로 일반 상식을 반영한 문장을 생성하기 위해 동사와 명사로 구성한다.

개념 집합에 대해 충분한 정보가 주어지지 않은 만큼, 모델은 마치 사람처럼 각 단어에 대해 일반적인 관계 추론 (relational reasoning)과 종합적인 일반화 (compositional generalization)에 대한 충분한 능력을 지니는 경우 우수한 문장을 생성한다.

DEMO : DEMO

※ 본 데모 가동을 위한 서버 자원 소요가 커서 필요시에만 가동합니다.

Neural Symbolic Inference Demo

본 페이지는 미분가능한 종단간 학습으로 생성된 뉴럴-심볼릭 모델 기반의 지식 추론 데모 프로그램입니다.

DEMO : Neural-symbolic inference demo

Previous slide Next slide

Traditional Culture Project Demo

PLM based Traditional NER Demo for Knowledge-based Relational Network

ETRI (지식 기반 관계 네트워크 생성을 위한 텍스트 마이닝 연구) 과제의 개체명 인식기 데모입니다.

(추후 성능이 업데이트 될 수 있습니다.)

DEMO : LINK

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다.
(The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

KOCCA 한국 전통문화 과제의 이미지 분류기 데모입니다.
(Currently Under Maintenance)

DEMO : 전통 이미지 분류기

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다.
(The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

KOCCA 한국 전통문화 과제의 이미지 개체명 인식기 데모입니다.
(차후 추가적인 설명이 업데이트 될 예정입니다)

Demo: 이미지 개체명 인식

KOCCA 한국 전통문화과제의 텍스트 개체명 인식기 데모입니다.
(차후 추가적인 설명이 업데이트 될 예정입니다)

DEMO: 전통문화 데이터 반영된 개체명 인식기

KOCCA 한국 전통문화 과제의 이미지 캡셔닝 데모입니다.
(Currently Under Maintenance)

DEMO : 이미지 캡셔닝

※ 본 데모는 동작 시연을 위해 제작된 프로그램으로서, 실제 사용 모델의 성능과 차이를 보일 수 있습니다.
(The presented program is just a demo so may show lagging performance compared to the fine-tuned model.)

Previous slide Next slide

Fashion AI Demo

The aim of this demo is to demonstrate how deep learning-based AI models like VITON GAN can produce virtual-try-on images using in-shop clothing and a model person. It is image-based Virtual Try-On Network (VITON) without using 3D information in any form, which seamlessly transfers a desired clothing item onto the corresponding region of a person using a coarse-to-fine strategy.

DEMO : Virtual-Try-On Model for Fashion AI

This program is for demo purpose only, it’s copyrights belong to the authors below.

source: https://github.com/shionhonda/viton-gan

paper: https://arxiv.org/pdf/1711.08447.pdf

Sketch to Image Upsampling using Generative Adversarial Network

“사용자 중심의 지능형 패션검색 및 맞춤형 코디네이션 제품 개발” 과제의 스케치 기반 이미지 검색의 요소 기술인 “스케치 업샘플링 모델”의 데모 페이지입니다. 본 기술은 사용자로부터 스케치 입력이 주어지면, Generative Adversarial Network을 이용하여 이를 이미지 수준으로 업샘플링하는 기술입니다. 본 페이지에서는 핸드백 스케치를 업샘플링하는 데모를 이용해보실 수 있습니다.

DEMO : DEMO

A Custom Coordination App with User Centered Intelligent Fashion Search
사용자중심의 지능형 패션검색 및 맞춤형 코디네이션 앱

글로벌 패션 시장의 패러다임 변화와 패션 관련 기술의 지능화에 따라 맞춤형·개인화 의류 제품 추천을 위한 사용자 중심의 지능형 패션검색 및 맞춤형 코디네이션 제품을 개발하여 온라인상에서 서비스 대상이 되는 사용자의 패션 쇼핑을 지원

[시연 동영상]

시연 동영상

[핵심 기술]

– 지능형 패션 검색 서비스

이미지 및 드로잉 툴 지원을 통해 스케치된 패션 이미지와 실제 상품과의 패션 분석이 용이하고, 검색이 가능한 패션 최적화 검색 서비스 제공