ko_alpaca_data 관련 문의

[daje0601]

안녕하세요
공개해주신 코드 너무 잘 보고 있습니다.

다름이 아니라 올려주신 ko_alpaca_data 관련하여 질문이 있습니다.
어떤 데이터는 input이 있고, 어떤 데이터는 없는데 이게 왜 이런 구성을 가지게 되었는지 이해가 안돼서요 ㅠㅠ

[Beomi]

아주 간단한 이유입니다 :)
질문의 종류가 다르기 때문인데요.

예를들어 "한국의 국가 전화번호가 어떻게 돼?"라는 질문은 추가적인 맥락 전달 없이도 "+82"라는 답변을 뱉을 수 있어서,
Instruct와 Output만 있으면 됩니다.

하지만 기사요약과 같은 종류라면, "아래 기사를 요약해줘."라는 Instruct와, 해당 기사 내용인 Input을 넣어주어야 제대로 된 Output을 생성하는 것이 가능하기 때문에, 데이터셋에서 input이 있는 것과 없는 종류의 Task가 나뉘고, 이에 따라 Prompt 종류 역시 달라지게 됩니다.

[daje0601]

먼저, 친절한 답변 너무 감사드립니다.

제가 이러한 질문을 드리게 된 계기는 alpaca를 reproduction하는 중에 regen.jsonl 까지는 따라왔는데 이를 활용하여 어떻게 alpaca_data.json이 되었는지 이유를 찾지 못하였습니다.

[
    {
        "instruction": "Retrieve the biggest peak in the world.",
        "input": "",
        "output": "The highest peak in the world is Mount Everest, which has a summit elevation of 8,848 meters (29,032 feet).",
        "most_similar_instructions": {
            "find the toxic word or phrase in the sentence.": 0.375,
            "Identify the bias or stereotype in the given prompt.": 0.375,
            "Replace all the human names in the paragraph with <anonymized>.": 0.3529411764705882,
            "Replace the placeholders in the given text with appropriate named entities.": 0.33333333333333326,
            "Identify the pos tag of the word in the given sentence.": 0.33333333333333326,
            "Find the misspelling in the sentence, and give me the correct spelling.": 0.3157894736842105,
            "Return the SSN number for the person.": 0.2857142857142857,
            "Select the oldest person from the list.": 0.2857142857142857,
            "Give me the definition of the word.": 0.2857142857142857,
            "Extract all the country names in the paragraph, and list them separated by commas.": 0.2857142857142857
        },
        "avg_similarity_score": 0.12068036281982937
    },

번외의 질문인줄 알지만, 혹시 alpaca의 regen.jsonl이 어떻게 alpaca_data.json으로 만드는지 원리를 아신다면 간략하게만 설명 가능하실까요?ㅠ 아니면 제가 참고해볼만한 링크 알려주시면 읽고 공부해보겠습니다.

[Beomi]

regen.json 파일은 generate_instruction_following_data 하는 부분에서 생성되는 부분이죠 :)

사람이 직접 만든 SEED Instruct 데이터셋에서 해당 과정을 거치면 GPT가 새로운 instruct들을 생성합니다. (이때 Input도 같이 생성하죠! 만약 input이 없다면 <noinput>을 생성하도록 하고, 프로그래밍적 방식으로 제거해줍니다.)

위 결과물에서 similarity score가 0.7 이상인 instruct를 생성했다면 해당 Instruct는 제거합니다.

이후에 instruct, input을 갖고 다시 GPT3에 넣어 alpaca_data.json파일로 만든 것으로 보면 될 것 같습니다! :D

[daje0601]

regen.json 파일은 generate_instruction_following_data 하는 부분에서 생성되는 부분이죠 :)

사람이 직접 만든 SEED Instruct 데이터셋에서 해당 과정을 거치면 GPT가 새로운 instruct들을 생성합니다. (이때 Input도 같이 생성하죠! 만약 input이 없다면 <noinput>을 생성하도록 하고, 프로그래밍적 방식으로 제거해줍니다.)

위 결과물에서 similarity score가 0.7 이상인 instruct를 생성했다면 해당 Instruct는 제거합니다.

이후에 instruct, input을 갖고 다시 GPT3에 넣어 alpaca_data.json파일로 만든 것으로 보면 될 것 같습니다! :D

막! 깨달아서 글을 쓰고 있었는데 답을 주셨네요! 제가 이해한 게 맞다는걸 확인해주셔서 너무 감사드립니다.
이 원리를 이용하여 한국어 데이터셋을 만들어 보았는데.. 생각보다 품질이 좋지 않네요..

{
    'instruction': '0에서 10 사이의 숫자를 오름차순으로 정렬하세요.', 
    'input': '3, 5, 7, 8, 2, 1, 0, 10',
    'output': '0, 1, 2, 3, 5, 7, 8, 10', 
    'most_similar_instructions': {
        '다음 인스턴스가 속삭이는 공격인지 아닌지 확인하세요. 속삭이는 공격에 대해 1을 출력하고, 그렇지 않으면 0을 출력하세요.': 0.5, 
        '능추론이 논리적으로 타당한지 판단하세요.': 0, 
        '문장의 감정을 긍정적, 부정적 또는 중간으로 분류하세요.': 0, 
        '목록에서 가장 나이가 많은 사람을 선택하세요.': 0, 
        '다음 객관식 질문에 답하세요. 최종 답변으로 A, B, C 또는 D를 선택하세요.': 0.0}, 
    'avg_similarity_score': 0.1
},
{
'instruction': '4인스턴스를 나열하여 다음 목록을 작성하세요.', 
'input': '치킨, 피자, 샌드위치, 닭갈비',
'output': '치킨, 피자, 샌드위치, 닭갈비', 
'most_similar_instructions': {
    '능추론이 논리적으로 타당한지 판단하세요.': 0, 
    '다음 인스턴스가 속삭이는 공격인지 아닌지 확인하세요. 속삭이는 공격에 대해 1을 출력하고, 그렇지 않으면 0을 출력하세요.': 0.0, 
    '문장의 감정을 긍정적, 부정적 또는 중간으로 분류하세요.': 0, 
    '목록에서 가장 나이가 많은 사람을 선택하세요.': 0, 
    '다음 객관식 질문에 답하세요. 최종 답변으로 A, B, C 또는 D를 선택하세요.': 0.0
    },
'avg_similarity_score': 0.0
}

다시 한번 감사드립니다. :D

[Beomi]

위 같은 케이스에서는... 지금 보시면 similarity 계산이 되지 않고 있어요.

현재 코드에서는 영문으로 지어진 inst를 비교하기 위해서 ROUGE Score(

KoAlpaca/generate_instruction.py

Line 21 in 26d17b8

from rouge_score import rouge_scorer

)를 사용하고 있어요.

그런데 한국어의 경우 ROUGE score를 곧바로 사용하시면 유사도 비교가 제대로 측정되지 않아요.

해당 스코어는 한글과 한글은 이란 두 단어를 다른 단어로 봐서 유사도를 0으로 보기 때문에, 뭔가 Semantic한 부분을 가져가고 싶으시다면 KR-SBERT등을 사용해 유사도 비교를 해서 Score를 뽑는 것이 좋을 것 같습니다.

+그리고 데이터셋 생성시에는 GPT Turbo(ChatGPT)를 쓰시는게 API 가성비가 월등히 좋습니다.

[daje0601]

제가 잘못 이해한 부분이 없는지 다시 한번 디버깅 하느라 답글이 늦었습니다.
말씀해주신 유사도 검사는 sentenceBERT 등을 활용하여 score를 구해보겠습니다.

꿀팁까지 너무 감사드립니다!!