De presentatie wordt gedownload. Even geduld aub

De presentatie wordt gedownload. Even geduld aub

De TST-Centrale is een initiatief van de Nederlandse Taalunie, wordt gefinancierd door de Nederlandse Taalunie en is ondergebracht bij het Instituut voor.

Verwante presentaties


Presentatie over: "De TST-Centrale is een initiatief van de Nederlandse Taalunie, wordt gefinancierd door de Nederlandse Taalunie en is ondergebracht bij het Instituut voor."— Transcript van de presentatie:

1 De TST-Centrale is een initiatief van de Nederlandse Taalunie, wordt gefinancierd door de Nederlandse Taalunie en is ondergebracht bij het Instituut voor Nederlandse Lexicologie. Klaar? In! Kant-en-klare bouwstenen voor de CLARIN-infrastructuur Remco van Veenendaal, 26 mei 2009, kick-off CLARIN-NL

2 2 Infrastructuur Data Tools Spelregels

3 3 Infrastructuur

4 4 •Bouwblokken uit DAM-LR –Metadata (IMDI) –Unieke ids (Handle) –Authenticatie (LDAP) –Autorisatie (Shibboleth) –Vertrouwd (PKI-certificaat) –IMDI-portal imdi.inl.nl •Uitbreiding/aanpassing naar CLARIN •Bijv. OAI-PMH (workshop vanochtend)

5 5 Infrastructuur •Verbeterde technische infrastructuur (2008) –Bare metal virtualisatie met behulp van VMware ESX –Servers •Red Hat Enterprise Linux •Windows Server 2003, Exchange en ISA Server –MySQL en Microsoft SQL server. •Telewerken via Windows Terminal Server 2008 en RSA tokens •Cisco switches, HP NAS en NetApp SAN •Onsite en offsite backup •Procedures volgens ITIL

6 6 Data

7 7 •Woordenboeken (online via GTB) –Oudnederlands woordenboek ( ) –Vroegmiddelnederlands woordenboek (13e eeuw) –Middelnederlands woordenboek ( ; te verschijnen) –Woordenboek der Nederlandsche Taal ( ) •Algemeen Nederlands Woordenboek (eigentijds Nederlands; te verschijnen)

8 8 Data •Corpora –Corpus Gesproken Nederlands (900u spraak) –STEVIN •JASMIN-CGN (115u spraak) •AUTONOMATA-namencorpus (5k uitgesproken namen) •D-Coi (54m woorden) •COREA-coreferentiecorpus (150k woorden) –ANW-corpus (100m woorden; te verschijnen) –PAROLE distributable corpus (3m woorden) –CHOREC-spraakcorpus (130u spraak) –…

9 9 Data •Lexica –e-Lex (200k lemma’s, 640k woordvormen) –Bilinguale bestanden (Ar, Dn, Ind) –RBN (45k trefwoorden; 90k verbindingen) –RBBN (4k woorden) –Woordenlijst Nederlandse Taal ’05 (100k lemma's volgens spelling ’05) –STEVIN •DuELME (5k mwe)

10 10 Data •En… –Sofeer woordenboek –STEVIN •Cornetto (lex-sem database met 92k lemma’s; 118k woordbetekenissen) –Gedigitaliseerde Bijbelteksten •Statenvertaling, Leuvense Bijbel, Lutherse Bijbel, Delftse Bijbel, … –Modern Grammar of Dutch •Incl. tools voor conversie en internetschil

11 11 Tools

12 12 Tools •Tagger-lemmatiser (online i.s.m. UvT) •Sofeer spellingcontrole •STEVIN –COREA-coreferentiewebservice –DuELME-webapplicatie –AUTONOMATA-g2p-toolkit •IMPACT –OCR & technologie t.b.v. digitalisering gedrukt cult. erfgoed •GTB-software, ANW-software, etc. •Corex (voor CGN en D-Coi; offline en online) •…

13 13 Spelregels

14 14 Spelregels •Kennisdeling IPR en licenties –Ook met Work Package 7 CLARIN (IPR and Business Models)

15 15 Wat is er bijna klaar?

16 16 Bijna klaar •STEVIN –DAESO (corpus en software voor semantiek) –DPC (parallelle corpora Nl-En en Nl-Fr) –Lassy (syntactisch geannoteerd tekstcorpus) –Midas (software voor robuuste spraakherkenning) –N-best (benchmark voor Nederlandstalige spraakherkenning) –Autonomata Too (demo POI spraakherkenningservice) –DAISY (software voor samenvattingen) –DISCO (spraakherkenning in CALL voor tweedetaalleerders) –DuOMAn (media analyse - opinie) –PaCo-MT (hybride machinevertaling Nl-En-Nl, Nl-Fr-Nl) –SoNaR (tekstcorpus 500m woorden) •…

17 17 Maar …

18 18 Uitdaging •Binnen CLARIN en CLARIN-NL zoveel mogelijk resources en tools integreren in de CLARIN- infrastructuur –Toegankelijk via single sign-on –Data zo uniform mogelijk raadpleegbaar en doorzoekbaar –Data uploadbaar en bewerkbaar –Tools zoveel mogelijk modulair en koppelbaar –Workflows zoveel mogelijk herhaalbaar •Afschriften van bewerkingen –Gebruikersvriendelijkheid (!)

19 19 Zoek binnen de resultaten voorkomens van Poldernederlands (einde = aainde) Vraag: onderzoek het Poldernederlands Voorkomens van Poldernederlands in spraakcorpora Zoek in metadata naar Nederlandse spraakcorpora met orthografische en fonologische transcriptie

20 20 Spraakcorpus Corpus beschikbaar binnen CLARIN Unieke ids Metadata Validatie Uploaden

21 21 Teksten Tekstcorpus voorzien van diverse automatische annotaties en frequentielijst beschikbaar binnen CLARIN Frequentietool Tagger- lemmatiser Parser Validatie Metadata Samenvatter Corefwebservice Uploaden Unieke ids

22 22 Waar droomt u van?

23 23 Conclusie •Veel mooie bouwstenen beschikbaar –Resources, tools, infrastructuur, kennis –Juist ook voor het Nederlands •Uitdaging is deze bruikbaar te integreren in de CLARIN-infrastructuur

24 24 Vragen?


Download ppt "De TST-Centrale is een initiatief van de Nederlandse Taalunie, wordt gefinancierd door de Nederlandse Taalunie en is ondergebracht bij het Instituut voor."

Verwante presentaties


Ads door Google