Euskara bezalako baliabide urriko hizkuntzetan adimen artifiziala hobetzeko estrategia eskaini du HiTZ Zentroak

Adimen artifiziala ez da baldintza berberetatik abiatzen hizkuntza guztientzat. Hizkuntza-eredu handiek Interneten eskuragarri dauden testuetatik ikasten dute batez ere, eta, ingelesak eta gaztelaniak datu digital ugari dituzten bitartean, beste hizkuntza batzuek corpus, eredu ireki eta adimen artifizialaren errendimendua ebaluatzeko tresna askoz gutxiago dituzte. Desberdintasun horren ondorioz, adimen artifizialeko sistemek hizkuntza horiek okerrago ulertu eta sortzen dituzte eta, gainera, haien hiztunen errealitate kulturalaren ezagutza mugatuagoa dute.

Arazo horri heltzea izan da Hizkuntza-ereduak hobetzen baliabide gutxiko hizkuntzetan doktorego-tesiaren helburua. Julen Etxanizek, Euskal Herriko Unibertsitateko (EHU) HiTZ Zentroko ikertzaileak, duela gutxi aurkeztu du tesia.

Lanaren ondorio nagusia da ez dela beharrezkoa adimen artifizialeko eredu handi bat hutsetik entrenatzea baliabide urriko hizkuntza batean emaitza hobeak lortzeko. Ikerketak erakusten du posible dela lehendik dauden hizkuntza-ereduak aprobetxatzea eta hizkuntza-komunitate bakoitzaren behar espezifikoetara egokitzea: “Nire tesiak erakusten du baliabide urriko hizkuntzetan, hala nola euskaran, adimen artifiziala hobetu dezakegula lehendik dauden ereduak egokituz, hutsetik entrenatu beharrik gabe”, azaldu du Julen Etxanizek.

Lan honek, beraz, bide bat proposatzen du adimen artifizialaren aurrerapena datu digital kopuru handiak dituzten hizkuntzetara mugatuta gera ez dadin. Euskaran garatutako esperientziak erakusten du baliabide gutxiago dituzten hizkuntza-komunitateek ere eredu ireki, lehiakor eta beren errealitatera egokituak izan ditzaketela, betiere ikerketa espezifikoa, kalitatezko datuak eta ebaluazio-sistema egokiak uztartzen badira.

Ikerketak estrategia oso eta ireki bat proposatzen du hizkuntza mota horietan adimen artifiziala hobetzeko. Ekarpen nagusien artean dago Latxa, euskararako garatutako eta euskal kulturara eta testuingurura ere egokitutako hizkuntza-eredu irekien familia.

Desberdintasunak bereziki garrantzitsuak dira sistema horiek euskaraz elkarreragiteko erabiltzen direnean. Ingeleseko edo gaztelaniako edukiekin batez ere entrenatutako eredu bat euskaraz testua sortzeko gai izan daiteke, baina horrek ez du esan nahi hizkuntza sakontasun-maila berdinarekin ulertzen duenik edo erreferentzia kulturalak eta tokiko testuingurua behar bezala ezagutzen dituenik: “Helburua ez da soilik adimen artifizialak euskaraz itzultzea edo idaztea. Hizkuntzan modu fidagarrian moldatzeko eta hiztunen errealitate kulturala ezagutzeko gai ere izan behar du”, adierazi du ikertzaileak.

Ikerketatik herritarrengana

Tesiaren emaitzek zuzeneko aplikazioak dituzte adimen artifizialaren ohiko erabilera batzuetan, hala nola elkarrizketa bidezko laguntzaileetan eta itzulpen automatikoan. Esaterako, pertsona batek euskaraz adimen artifizialeko laguntzaile bati euskal kulturaren alderdi zehatz bati buruz galdetzen dionean, egokitutako eredu bati esker erantzun naturalagoa eta testuinguruari egokituagoa jaso dezake, gaztelaniara jo beharrik gabe. Era berean, hizkuntza-ereduetan egindako aurrerapenek euskararako itzulpen automatikoen kalitatea hobetzen lagun dezakete.
Arlo horretan, Latxak itzultzaile gisa emaitza hobeak erakutsi ditu aurretik garatutako itzulpen-eredu espezializatuek baino. Bai eredua, bai ikerketa horretatik abiatuta garatutako tresnak herritarren eskura daude dagoeneko, Latxaren bidez.

“Egokitzapenak euskararen ezagutza hobea eta kulturari eta tokiko inguruneari buruzko ezagutza handiagoa eskaintzen ditu. Gainera, baliabideak irekiak dira, eta horri esker komunitateak modu independentean egokitu eta ebaluatu ditzake”, nabarmendu du Etxanizek.

Beste hizkuntza batzuetan ere aplika daitekeen metodoa

Euskara tesiaren aztergai nagusietako bat bada ere, garatutako metodologia ez dago hizkuntza horretara soilik mugatuta. Lanak erakusten du planteamendu bera erabil daitekeela baliabide digital gutxiko beste hizkuntza batzuetan ere adimen artifizialeko ereduak hobetzeko, baldin eta hizkuntza-komunitate bakoitzarentzat berariazko lana egiten bada.

Izan ere, HiTZeko ikertzaileek metodo horiek ezaugarri desberdinak dituzten beste hizkuntza batzuetan ere aplikatu dituzte dagoeneko, besteak beste katalanean, galegoan, okzitanieran eta maorieran.

“Euskara beste komunitate askotarako baliagarriak diren metodoak garatzeko azterketa-kasu gisa erabiltzen da”, azaldu du Etxanizek. “Emaitzak ez dira automatikoki lortzen: hizkuntza bakoitzak kalitatezko corpusak eta haren ezaugarri linguistikoak nahiz kultura islatzen dituzten probak behar ditu”.

Tesiaren beste elementu nabarmenetako bat zientzia irekiaren aldeko apustua da. Ikerketaren esparruan garatutako ereduak, datuak, ebaluazioak eta programak lizentzia irekiekin daude eskuragarri, beste ikertzaile eta komunitate batzuek berrerabili, emaitzak egiaztatu eta garatzen jarraitu ahal izan ditzaten. Izan ere, lortutako garapenak ereduen egiazkotasuna eta multimodal adimen artifiziala aztertzeko ikerketa berrien oinarri dira, eta Latxa laguntza eta itzulpeneko benetako tresnetan txertatu da.