GhanaNLP Parallel Corpora: Comprehensive Multilingual Resources for Low-Resource Ghanaian Languages
تعالج مبادرة GhanaNLP ندرة البيانات اللغوية الرقمية للغات الغانية ذات الموارد المنخفضة من خلال إصدار مجموعة بيانات منسقة تضم 41,513 زوجاً من الجمل المتوازية المترجمة احترافياً عبر خمس لغات محلية واللغة الإنجليزية، وذلك بهدف النهوض بالترجمة الآلية، وتقنيات الكلام، والحفاظ على اللغة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول بناء مكتبة ضخمة وعالية التقنية للعالم أجمع. لفترة طويلة، تم تزويد هذه المكتبة بملايين الكتب باللغات الإنجليزية والصينية المندرينية والإسبانية. ولأن هناك الكثير من الكتب بهذه اللغات، فقد تعلم أمناء المكتبة (أجهزة الكمبيوتر التي تعمل بالذكاء الاصطناعي) القراءة والكتابة والترجمة منها بشكل مثالي.
ولكن بعد ذلك، تنظر إلى الرفوف المخصصة للغات مثل التوي (Twi)، والفانتي (Fante)، والإيوي (Ewe)، والغا (Ga)، والكوسال (Kusaal) (التي يتحدث بها الملايين في غانا). تجدها شبه فارغة. هناك عدد قليل جداً من "الكتب" (البيانات الرقمية) لهذه اللغات. وبسبب فراغ المكتبة، لا يعرف أمناء المكتبة من الذكاء الاصطناٍعي كيف يتحدثون هذه اللغات. لا يمكنهم ترجمة نصيحة طبيب، أو درس معلم، أو سعر سوق للمزارع إلى هذه اللغات المحلية.
هذه الورقة البحثية هي قصة كيف قرر فريق يسمى GhanaNLP ملء تلك الرفوف الفارغة.
إليك تفاصيل ما قاموا به، باستخدام بعض التشبيهات من الحياة اليومية:
1. المشكلة: "الصحراء الرقمية"
لسنوات، كان الذكاء الاصطناعي يشبه مسافراً لا يتحدث سوى الإنجليزية. إذا حاولت التحدث إليه بلغة "التوي" أو "الإيوي"، فإنه يكتفي بالنظر إليك بجمود. وذلك لأن "بيانات التدريب" (الكتب التي يقرأها الذكاء الاصطناعي ليتعلم) مفقودة لهذه اللغات. وبدون بيانات، لا يمكن للذكاء الاصطناعي أن يتعلم. هذا يترك ملايين الغانيين معزولين عن العالم الرقمي، غير قادرين على استخدام المساعدات الصوتية، أو تطبيقات الترجمة، أو التعليم عبر الإنترنت بلغاتهم الأم.
2. الحل: بناء "جسر ثنائي اللغة"
لم يقم فريق GhanaNLP بمجرد إلقاء كلمات عشوائية في الكمبيوتر؛ بل بنوا جسراً ثنائي اللغة.
- المفهوم: لقد أنشأوا 41,513 زوجاً من الجمل. فكر في الأمر كقاموس ضخم حيث يتم مطابقة كل جملة باللغة المحلية الغانيةية مع مقابلها باللغة الإنجليزية بشكل مثالي.
- اللغات: ركزوا على خمس لغات رئيسية: التوي، والفانتي، والإيوي، والغا، والكوسال.
- الحجم: الأمر يشبه بناء مكتبة صغيرة ولكنها متينة للغاية. ورغم أنها ليست ضخمة مثل المكتبة الإنجليزية، إلا أنها المرة الأولى التي تمتلك فيها هذه اللغات المحددة مجموعة منظمة وعالية الجودة بهذا الحجم.
3. كيف بنوا ذلك: نهج "الحرفيين المهرة"
لا يمكنك مجرد طلب كتابة هذه الكتب من روبوت؛ لأنه سيرتكب الأخطاء. استخدم الفريق نهج "الإنسان في الحلقة" (Human-in-the-Loop)، وهو ما يشبه استئجار حرفيين مهرة لبناء الجسر.
- جمع الطوب: جمعوا الجمل من أماكن مثل ويكيبيديا، والكتب القصصية المحلية (مثل رواية "أوليفر تويست" المترجمة إلى اللغات المحلية)، والأرشيفات الثقافية.
- فريق الترجمة: قاموا بتعيين مترجمين محترفين مأجورين يتقنون كل من الإنجليزية واللغات المحلية. لم يكن هؤلاء مجرد أشخاص يعرفون الكلمات، بل كانوا خبراء يفهمون "روح" اللغة، وثقافتها، ولهجاتها.
- تشبيه: تخيل أنك تحاول ترجمة نكتة. قد يترجم الروبوت الكلمات حرفياً ويقتل الفكاهة. أما المترجم البشري فيعرف لماذا هي مضحكة وكيف يجعل النكتة تعمل في اللغة الأخرى.
- تفاصيل "اللهجة": هذا أمر بالغ الأهمية. في غانا، تمتلك لغة مثل "التوي" "نكهات" مختلفة (لهجات) اعتماداً على مكان تواجدك (مثل Asante أو Akuapem، إلخ). حرص الفريق على تضمين كل هذه النكهات، حتى لا يتعلم الذكاء الاصطناٍعي نسخة واحدة فقط من اللغة، بل يفهم العائلة بأكملها.
4. قواعد اللعبة: مراقبة الجودة
كان الفريق صارماً جداً بشأن ما يُسمح بدخوله إلى المكتبة.
- لا للجمل القصيرة: قاموا باستبعاد أي جملة تحتوي على أقل من 4 كلمات. لماذا؟ لأن العبارات القصيرة غالباً ما تكون مربكة. أرادوا أفكاراً كاملة ومكتملة (فاعل + فعل + مفعول به) لكي يتعلم الذكاء الاصطناعي كيفية بناء جمل حقيقية.
- لا لـ "بدايات الضمائر": تجنبوا الجمل التي تبدأ بـ "هو" أو "هي" أو "هو/هي لغير العاقل" دون سياق، لأن ذلك يربك الذكاء الاصطناٍعي.
- الفلتر (المصفاة): بدأوا بحوالي 90,000 جملة محتملة واستبعدوا حوالي 32% منها لأنها لم تكن جيدة بما يكفي. هذا يضمن أن ما تبقى هو ذهب عالي الجودة، وليس مجرد تراب.
5. ماذا يمكننا أن نفعل بهذا؟ ("السحر في العالم الحقيقي")
بمجرد أن يتعلم الذكاء الاصطناعي من هذه الكتب الجديدة، يمكنه القيام بأشياء مذهلة:
- Khaya AI: لقد استخدموا هذه البيانات بالفعل لبناء محرك ترجمة يسمى Khaya AI. إنه يشبه المترجم الرقمي الذي يمكنه الترجمة فورياً بين الإنجليزية وهذه اللغات المحلية.
- المساعدات الصوتية: تخيل أن تسأل هاتفك: "ما هو سعر الذرة؟" بلغة الكوسال، فيجيبك باللغة الكوسالية. هذه البيانات تجعل ذلك ممكناً.
- التعليم والصحة: يمكن للأطباء شرح النصائح الصحية بلغة الإيوي، ويمكن للمعلمين إنشاء دروس بلغة الغا، مما يكسر حواجز اللغة في المجتمعات الريفية.
- الحفاظ على الثقافة: لقد ضمنوا الأمثال والحكايات الشعبية. هذا يشبه حفظ "روح" اللغة، وضمان عدم ضياع الحكمة القديمة في العصر الرقمي.
6. التنبيه: ليس مثالياً (بعد)
الورقة البحثية صريحة بشأن قيودها:
- لا يزال صغيراً: مقارنة بمليارات الجمل الإنجليزية المتاحة، فإن 41,000 جملة هي مجرد قطرة في المحيط. الذكاء الاصطناٍعي ذكي، لكنه لا يزال طفلاً مقارنة بقريبه المتحدث بالإنجليزية.
- نص فقط: في الوقت الحالي، المكتبة تحتوي على كتب مكتوبة فقط. ليس لديهم تسجيلات صوتية بعد. لذا، يمكن للذكاء الاصطناٍعي ترجمة النصوص، لكنه لا يستطيع "التحدث" أو "الاستماع" لهذه اللغات بعد.
- فجوات اللهجات: رغم أنهم حاولوا تغطية جميع اللهجات، إلا أن بعض الاختلافات الريفية النائية لا تزال مفقودة.
الصورة الكبيرة
هذه الورقة هي مخطط لـ الشمول الرقمي. إنها تقول: "التكنولوجيا لا ينبغي أن تكون فقط لمن يتحدثون الإنجليزية. يجب أن تكون للجميع".
من خلال بناء هذا "الجسر ثنائي اللغة"، يمنح فريق GhanaNLP صوتاً لملايين الأشخاص الذين كانوا صامتين سابقاً في العالم الرقمي. إنهم يثبتون أنه مع وجود القدر الكافي من الرعاية، والجهد البشري، وروح المجتمع، يمكننا تعليم الذكاء الاصطناٍعي التحدث بلغات العالم، وليس فقط لغات الأقوياء.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.