Kā latgaliešu valoda jūtas mākslīgā intelekta laikmetā: pētījumi, runas atpazīšana un digitālie resursi
Latvijas Universitātes Matemātikas un informātikas institūta pētnieki un Rēzeknes tehnoloģiju akadēmija veido latgaliešu valodas digitālos resursus un mākslīgā intelekta rīkus. Starp tiem ir runas atpazīšanas rīks LATE-LTG, runas korpuss un tēzaura papildinājumi.
Mākslīgā intelekta (MI) attīstība paver jaunas iespējas arī mazajām reģionālajām valodām, taču to rezultātus ierobežo pieejamo datu apjoms. Portāls lakuga.lv aplūkoja, kāda ir latgaliešu rakstu valodas situācija MI pasaulē. Stāstam izmantotas Latvijas Universitātes Matemātikas un informātikas institūta (LU MII) un RTU Rēzeknes akadēmijas (RTU RA) pārstāvju atziņas.
Datu trūkums ir galvenais šķērslis
LU MII pētnieks Artūrs Znotiņš, kurš pēta un attīsta lielos valodu modeļus, norāda, ka latgaliešu valodas precizitāti galvenokārt nosaka modeļu apmācībai pieejamais datu apjoms. Latviešu valoda tiek uzskatīta par salīdzinoši mazresursu valodu, bet latgaliešu rakstu valodai resursu ir vēl mazāk. Situāciju sarežģī arī tas, ka digitālajos tekstos sastopami dažādi rakstības varianti, izloksnes formas un latviešu–latgaliešu valodu sajaukums.
Znotiņš skaidro, ka mazresursu valodās modeļi var uzrādīt samērā labas zināšanas un teksta izpratni, taču, patstāvīgi ģenerējot tekstu, pieļauj daudz kļūdu un bieži ir jūtama citu lielāko valodu ietekme. Pēc viņa domām, būtiskus uzlabojumus var panākt, strādājot ar augstas kvalitātes datiem, tāpēc svarīga ir valodnieku, pētnieku, izglītības iestāžu, mediju un pašu valodas lietotāju sadarbība.
Projekts "DigiLATE" un runas atpazīšana
LU MII, Latvijas Universitātes Humanitāro zinātņu fakultāte un RTU RA turpina darbu pie projekta "Digitālie resursi un mākslīgā intelekta tehnoloģijas latviešu valodas ilgtspējai" (DigiLATE). LU MII pārstāve Ilze Auziņa stāsta, ka tā ietvaros izstrādāts automātiskās runas atpazīšanas un transkribēšanas rīks LATE-LTG, kas brīvi pieejams vietnē ltg.late.ailab.lv. Tas ļauj augšupielādēt audio vai video ierakstu un automātiski pārvērst latgaliski runāto tekstu rakstītā formā. Rīku var izmantot subtitriem, interviju atšifrēšanai un latgaliešu rakstu valodas mācībām.
Rīks sākotnēji apmācīts latviešu literārās valodas atpazīšanai, kur datu ir ievērojami vairāk, un pēc tam pielāgots latgaliešu valodai.
Runas korpuss, tēzaurs un "Bolsu tolka"
Rēzeknes Tehnoloģiju akadēmijas pētnieki izveidojuši korpusu "Mūsdienu latgaliešu runas korpuss" (MuLaR), kurā apkopotas 33 stundas latgaliešu runas ierakstu: intervijas, ekspedīciju materiāli, radio un televīzijas raidījumi, kā arī ārpus Latvijas dzīvojošo latgaliešu runas paraugi. Filoloģijas doktore Antra Kļavinska norāda, ka šā gada decembra beigās jābūt gatavai nākamajai latgaliešu tēzaura versijai. Iniciatīvā "Bolsu tolka" jebkurš valodas zinātājs var papildināt runas datu krājumu, ierunājot teikumus vai pārbaudot citu dalībnieku ierakstus; to var darīt vietnē balsutalka.lv/ltg/.
Piemērs no Varakļāniem
Biedrība "Varakļānu attīstībai" gatavo digitālo tūrisma ceļvedi četrās valodās: latviešu, latgaliešu, angļu un vācu. Latgalisko tulkojumu sagatavojis MI, un biedrība norāda, ka teksti tiks precizēti, iesaistot vietējos valodas zinātājus. Kļavinska piebilst, ka tiek gatavoti ieteikumi un vadlīnijas mazākumvalodu medijiem par atbildīgu MI izmantošanu.
