Apresentação

O Workshop de Enriquecimento de Dados  em Português (PaDAWan) tem como objetivo reunir a comunidade que trabalha com anotação semiautomática de corpora,  particularmente empregando Modelos de Linguagem de Grande Escala (LLMs), em português.

Com o avanço dos LLMs, muitas tarefas tradicionais de Processamento de Linguagem Natural (PLN) estão sendo revisadas. Um desafio-chave tradicional é reunir dados de alta qualidade para treinar e avaliar tarefas específicas. Isso muitas vezes tem sido o principal gargalo no desenvolvimento de modelos de aprendizado de máquina.  Data Augmentation tornou-se uma técnica crucial para melhorar o desempenho de modelos em várias tarefas, especialmente quando os dados confiáveis são limitados. Hoje em dia, especialmente com o uso de LLMs, tornou-se viável aplicar técnicas sofisticadas de enriquecimento de dados de texto de forma eficaz.

O uso de LLMs ainda é muito restrito devido a vários fatores, como custos, preocupações com privacidade, problemas de latência e outros desafios. Diante do cenário atual, o uso de LLMs para gerar dados sintéticos e treinar modelos clássicos para tarefas específicas é uma abordagem viável. Além disso, enquanto muitos trabalhos na indústria consideram dados sintéticos, as discussões científicas sobre métodos e avaliações nem sempre estão alinhadas com as necessidades do mercado.

Este workshop tem como objetivo aprofundar o uso de LLMs para o enriquecimento de dados, explorando possíveis métodos, técnicas de avaliação e considerações éticas associadas. O objetivo é reunir profissionais da indústria e acadêmicos para discutir profundamente o tema.

Convidamos pesquisadores a submeter artigos que discutam desafios e avanços na geração de dados em português, incluindo, mas não se limitando aos seguintes tópicos:

1. Criação e rotulagem de dados

2. Reformatação e anonimização de dados

3. Contaminação e ruído de dados

4. Co-anotação

5. Avaliação do processo de  enriquecimento automatizado de dados e  enriquecimento de dados controlado

6. Ética em dados gerados e geração de dados imparciais

7. Aplicações práticas ou estudos de caso de técnicas de enriquecimento de dados

8. Desafios em Dados Sintéticos em Português

Programa