Podrobno

Orkestracija modularnega cevovoda za procesiranje in shranjevanje korpusnih podatkov
ID Sedeljšak, Janez (Avtor), ID Faganeli Pucer, Jana (Mentor) Več o mentorju... Povezava se odpre v novem oknu, ID Kosem, Iztok (Komentor)

.pdfPDF - Predstavitvena datoteka, prenos (1,70 MB)
MD5: 2CE2E57527333755D4F8B98CC456A9B4

Izvleček
V magistrskem delu se osredotočamo na prenovo podatkovnega cevovoda za obdelavo in shranjevanje medijskih besedil, ki se uporabljajo kot vhod v spremljevalni korpus Trendi. Obstoječi monolitni sistem je podatke hranil izključno v datotečnem sistemu in vmesnih izhodov ni sistematično preverjal, kar je vodilo do pogostih neopaženih napak obdelave in nestabilnosti pri pretvorbi večjih količin besedil. Prenova sledi trem ciljem: zagotoviti preverljivost in sledljivost podatkov, preiti na modularno arhitekturo ter vzpostaviti nadzor, ki izboljša pristop k izvajanju nalog. Cevovod smo razdelili na samostojne komponente. Po ovrednotenju treh podatkovnih baz smo izbrali tisto, ki najbolje ustreza zahtevam sistema in trenutno služi kot operativni vir podatkov cevovoda. Pravilnost podatkov se preverja na prehodih med formati, vsaka zaznana napaka pa izvajanje ustavi in se zabeleži. Bralna nadzorna plošča vzdrževalcem ponuja jasen pregled nad potekom obdelave in trenutnim stanjem podatkov. Pravilnost rešitve smo preverili z integracijskimi testi, osredotočenimi na robne primere, pri čemer smo uporabili referenčne produkcijske podatke.

Jezik:Slovenski jezik
Ključne besede:Podatkovni cevovod, Modularnost, Orkestracija, Python, Rust, NLP, Korpus
Vrsta gradiva:Magistrsko delo/naloga
Organizacija:FRI - Fakulteta za računalništvo in informatiko
Leto izida:2026
PID:20.500.12556/RUL-189417 Povezava se odpre v novem oknu
Datum objave v RUL:06.10.2026
Število ogledov:21
Število prenosov:4
Metapodatki:XML DC-XML DC-RDF
:
Kopiraj citat
Objavi na:Bookmark and Share

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Orchestration of a modular pipeline for processing and storing corpus data
Izvleček:
This master's thesis focuses on the redesign of a data pipeline for processing and storing media texts that serve as input to the Trendi monitor corpus. The existing monolithic system stored data exclusively in the file system and did not systematically validate intermediate outputs, which led to frequent unnoticed processing errors and instability when converting larger volumes of text. The redesign pursues three goals: ensuring the verifiability and traceability of data, moving to a modular architecture, and establishing monitoring that improves how tasks are executed. We split the pipeline into independent components. After evaluating three databases, we selected the one that best fits the system's requirements and currently serves as the operational data source of the pipeline. Data correctness is checked at the transitions between formats, and every detected error stops execution and is logged. A read-only dashboard gives maintainers a clear overview of processing progress and the current state of the data. We verified the correctness of the solution with integration tests focused on edge cases, using a reference set of production data.

Ključne besede:Data pipeline, Modularity, Orchestration, Python, Rust, NLP, Corpus

Podobna dela

Podobna dela v RUL:
Podobna dela v drugih slovenskih zbirkah:

Nazaj