Ο Ουασίμ Χαμιντούτσε, ερευνητής του AI for Good Lab, μιλά για τη γλωσσική ανισότητα των Μεγάλων Γλωσσικών Μοντέλων και για το Lingua, το πρόγραμμα που φέρνει τις διαλέκτους της Ελλάδας στην Τεχνητή Νοημοσύνη.
Η δημόσια συζήτηση για την Τεχνητή Νοημοσύνη τροφοδοτεί τελευταία φόβους, συχνά και ηθικό πανικό, για τους κινδύνους που μπορεί να επιφέρει η ανεξέλεγκτη ανάπτυξή της.
Ο Ουασίμ Χαμιντούτσε προτιμά να μιλά για κάτι πιο απτό: ποιοι μένουν έξω από την εξέλιξη της ΤΝ και πώς διαμορφώνεται ο τεχνολογικός αποκλεισμός. «Αν οι άνθρωποι δεν μπορούν να αλληλεπιδράσουν με τα εργαλεία της ΤΝ στη δική τους γλώσσα, απλώς μένουν πίσω. Δεν μπορούν να παράγουν γνώση, να δημιουργήσουν ευκαιρίες», λέει στο «Βήμα» ο ερευνητής του AI for Good Lab της Microsoft. Ο Χαμιντούτσε βρέθηκε στην Αθήνα για την παρουσίαση του ελληνικού σκέλους του προγράμματος Lingua.
Το ελληνικό Lingua
Το ελληνικό Lingua υλοποιείται με τη συνεργασία των υπουργείων Πολιτισμού και Ψηφιακής Διακυβέρνησης. Στόχος του είναι να ενισχύσει την ψηφιακή παρουσία λιγότερο ομιλούμενων και απειλούμενων διαλέκτων.
«Η Ελλάδα είναι η πατρίδα πολλών διαλέκτων», σημειώνει ο Χαμιντούτσε. «Εδώ έχουμε διπλό στόχο: τη διάσωση της γλώσσας, αλλά και πραγματικό αντίκτυπο, γιατί αν αναπτύξουμε εργαλεία σε αυτές τις διαλέκτους, θα τα χρησιμοποιήσουν οι τοπικές κοινότητες».
Ο πρώτος γύρος του προγράμματος ανέδειξε πέντε έργα.
- Ελληνική ρομανί (Άρσις): χρηματοδότηση 50.000 ευρώ για την καταγραφή και τεκμηρίωση της ελληνικής ρομανί, της προφορικής γλώσσας των τσιγγάνικων κοινοτήτων της χώρας. Μέρος του υλικού είναι λαϊκά παραμύθια, που ξεκινούν πάντα με τη φράση «Ήταν ένας γέρος και μια γριά». Όπως επισήμανε η Γεωργία Καλπαζίδου, υποψήφια διδάκτορας Γλωσσολογίας στο Δημοκρίτειο Πανεπιστήμιο Θράκης και η ίδια φυσική ομιλήτρια της ρομανί, «τα λαϊκά παραμύθια και οι λαϊκές ιστορίες μεταφέρονται όλο και λιγότερο από γενιά σε γενιά». Στόχος του έργου είναι και ο αποστιγματισμός της ρομανί και η άρση των αρνητικών στερεοτύπων για τους ομιλητές της.
Τα άλλα τέσσερα έργα στηρίζονται με υπολογιστικούς πόρους.
- CoDAG (Πανεπιστήμιο Κρήτης): ο υπολογιστικός διαλεκτικός άτλαντας της Ελλάδας, με corpora διαλεκτικού υλικού που αγγίζουν τα 4,3 εκατ. λέξεις. Στην ίδια λογική κινείται και το Svarna, ένα ανοιχτού κώδικα corpus με περισσότερες από 500 εκατ. λέξεις, που καλύπτει διαφορετικά επίπεδα ύφους, φάσεις της ιστορίας της ελληνικής και τη διαλεκτική της ποικιλία. Ο Στέργιος Χατζηκυριακίδης, μέχρι πρότινος καθηγητής Υπολογιστικής Γλωσσολογίας στο Πανεπιστήμιο Κρήτης, αναφέρθηκε σε μια κρίσιμη παράμετρο της έρευνας πεδίου: οι πραγματικοί διαλεκτόφωνοι ομιλητές είναι σημαντικά λιγότεροι από όσους εμφανίζονται στις επίσημες καταγραφές.
- LALIES (Ερευνητικό Κέντρο «Αθηνά»): έχει καταγράψει εννέα νεοελληνικές διαλέκτους, από τα ποντιακά και τα κυπριακά ως το απεραθίτικο ιδίωμα της Νάξου, καθώς και τα πομακικά.
- T.S.A.K.O.N.I.A. (Αρχείο Τσακωνιάς): στοχεύει σε εργαλεία καταγραφής, μελέτης, διάδοσης και εκμάθησης των τσακωνικών. Σύμφωνα με την Αγγελική Πολίτη, επιστημονική συνεργάτιδα του Αρχείου Τσακωνιάς, ο αριθμός και η ηλικία των φυσικών ομιλητών δείχνουν ότι τα τσακώνικα, ως ζωντανή ποικιλία, έχουν ορίζοντα περίπου δέκα ετών.
- Ιστόρημα: ψηφιακό αποθετήριο προφορικών αφηγήσεων από ομιλητές τσακωνικών, καππαδοκικών, αρβανίτικων και ποντιακών.
Γλωσσική ανισότητα στα Μεγάλα Γλωσσικά Μοντέλα
Η ελληνική περίπτωση εντάσσεται σε ένα πολύ ευρύτερο πρόβλημα. Σύμφωνα με στοιχεία της UNESCO, από τις περίπου 7.000 γλώσσες που μιλιούνται στον κόσμο, μόνο 1.000 έχουν ψηφιακή παρουσία. Λιγότερες από 100 έχουν παρουσία που συμβάλλει ουσιαστικά στην εκπαίδευση των Μεγάλων Γλωσσικών Μοντέλων. Στα αγγλικά, στα ισπανικά ή στα κινεζικά, οι μεγάλες εταιρείες τεχνολογίας επενδύουν τεράστια ποσά. Για τις υπόλοιπες γλώσσες, η προσπάθεια είναι πολύ μικρότερη.
Το αποτέλεσμα είναι ορατό στην καθημερινή χρήση. «Όταν αλληλεπιδρούμε με αυτά τα μοντέλα σε διαφορετικές γλώσσες, η διαφορά φαίνεται: οι επιδόσεις δεν είναι ίδιες», λέει ο Χαμιντούτσε. «Για πολλές γλώσσες δεν υπάρχουν καν benchmarks, οπότε δεν ξέρουμε καν πώς αποδίδουν τα μοντέλα». Το πρόβλημα, κατά τον ίδιο, δεν είναι μόνο τεχνικό: «Δεν πρόκειται απλώς για ζήτημα μετάφρασης. Όταν υπάρχει τέτοια ανισορροπία στα δεδομένα, στα μοντέλα λείπει και η τοπική γνώση που κουβαλούν αυτές οι γλώσσες».
Η πίεση δεν αφορά μόνο τις διαλέκτους. Τηρουμένων των αναλογιών, τη δέχεται και η ίδια η ελληνική. Ο Βασίλης Κατσούρος, διευθυντής του Ινστιτούτου Επεξεργασίας του Λόγου του «Αθηνά», περιγράφει τον στόχο των προσπαθειών για την «ψηφιακή ετοιμότητα» της γλώσσας: «Τα ελληνικά να είναι ανταγωνιστικά και να μην υπολείπονται έναντι άλλων πιο ισχυρών γλωσσών».
Από τα δεδομένα στις εφαρμογές
Η καταγραφή είναι μόνο το πρώτο βήμα. Ο Χαμιντούτσε φέρνει ως παράδειγμα το Λουξεμβούργο, όπου, πέρα από τη συλλογή δεδομένων για τα λουξεμβουργιανά, αναπτύσσονται εκπαιδευτικές εφαρμογές για να μάθουν τα παιδιά τη γλώσσα. Αντίστοιχο είναι και το σκέλος του προγράμματος στην Αφρική, μια ήπειρο με πλήθος προφορικών γλωσσών και πολύ υψηλή γλωσσική ποικιλότητα, όπου η χρηματοδότηση φτάνει τα 5 εκατ. ευρώ.
Το μεγαλύτερο τεχνικό εμπόδιο παραμένει η έλλειψη δεδομένων. Για να μετριαστεί, αξιοποιούνται τεχνικές όπως η επαύξηση δεδομένων, η δειγματοληψία, ακόμα και τα πιο προηγμένα μοντέλα για τη βελτίωση του υπάρχοντος υλικού. Τίποτα όμως, κατά τον ίδιο, δεν υποκαθιστά τη νέα καταγραφή: «Χρειάζεται να συλλέγουμε νέα δεδομένα, γιατί φέρνουν νέα γνώση».
Το καλό στην εποχή της ΤΝ
Το AI for Good Lab, εξηγεί ο Χαμιντούτσε, δραστηριοποιείται σε πεδία που εκτείνονται από τη βιοποικιλότητα και την επισιτιστική ασφάλεια ως την υγεία, την εκπαίδευση και την πολιτιστική κληρονομιά. «Προσπαθούμε να διαθέτουμε πόρους εκεί όπου άλλοι δεν βλέπουν άμεσο οικονομικό όφελος», λέει.
Πώς ορίζεται όμως το «Good» στο όνομα; Για τον ίδιο, το κριτήριο είναι απλό: αν όσα αναπτύσσονται χρησιμοποιούνται πράγματι από τις κοινότητες και αλλάζουν την καθημερινότητά τους. «Δεν είμαστε ερευνητικό εργαστήριο που αναπτύσσει λύσεις μόνο για ερευνητικούς σκοπούς. Θέλουμε ό,τι φτιάχνουμε να είναι χρήσιμο».
Σε ποιον ανήκουν τα δεδομένα
Μένει το ηθικό ερώτημα: σε ποιον ανήκουν τα δεδομένα που δίνουν οι κοινότητες και ποιος ωφελείται από αυτά; Το εργαστήριο υποστηρίζει ότι διαθέτει το υλικό ως ανοιχτό κώδικα και ότι σχεδιάζει τα εργαλεία μαζί με τις κοινότητες. «Αν αναπτύξεις εργαλεία με τα δεδομένα που συνέλεξαν και δεν υπάρχει πραγματική ανάγκη, κανείς δεν θα τα χρησιμοποιήσει», λέει ο Χαμιντούτσε.
Με τη λογική αυτή συντάσσονται και οι ερευνητές. Ο Κατσούρος επισημαίνει ότι η ανάγκη δεν είναι για εργαλεία μοντέρνα ή εντυπωσιακά, αλλά για εργαλεία που ανταποκρίνονται στις ανάγκες κάθε γλωσσικής κοινότητας. Ξεκάθαρη είναι η Στέλλα Μαρκαντωνάτου, ομότιμη ερευνήτρια του «Αθηνά», που υπενθυμίζει πού βρίσκεται τελικά το κέντρο βάρους: στη θεσμική ενίσχυση των διαλέκτων και στη γλωσσολογία πεδίου, στη δουλειά με τους ίδιους τους ομιλητές. «Είναι απαραίτητα τα ψηφιακά εργαλεία», σημειώνει, «αλλά οι γλώσσες επιβιώνουν όσο υπάρχουν ομιλητές».
