تخيل أنك تحاول تعليم روبوت كيف يستمع ويفهم العالم من حوله. لفترة طويلة، كان العلماء بارعين جداً في تعليم الروبوتات فهم اللغات الكبيرة والشائعة مثل الإنجليزية أو الماندرين، ويرجع ذلك أساساً إلى وجود جبال من المحادثات المسجلة والملاحظات المكتة التي يمكن دراستها. ولكن بالنسبة لآلاف اللغات الأخرى، وخاصة تلك المنطوقة عبر أفريقيا، فإن الروبوت يعاني فعلياً من الصمم. ليس السبب هو غباء الروبوت أو عدم قدرته على التعلم، بل لأن "الواجب المنزلي" الذي يتدرب عليه يكاد يكون معدوماً. فهناك تسجيلات قليلة جداً لأشخاص يتحدثون هذه اللغات، وهناك عدد أقل من النصوص المكتوبة لمطابقتها مع الصوت. هذه الورقة البحثية، التي كتبها فريق يُدعى "Khaya AI"، تعالج هذه المشكلة من خلال بناء نوع جديد من "الأدمغة المستمعة" المصممة خصيصاً لهذه اللغات غير المخدومة.

لفهم حلهم، تحتاج لمعرفة شيئين. أولاً، هناك نماذج "التعلم ذاتي الإشراف" (self-supervised learning). فكر في هذه النماذج كطالب يمكنه تعلم أصوات لغة ما بمجرد الاستماع لساعات من الراديو، حتى لو لم يعرف معنى الكلمات بعد؛ حيث يصبح ماهراً جداً في تمييز إيقاع ولحن الكلام. ثانياً، هناك فكرة "الضبط الدقيق" (fine-tuning). بمجرد أن يتعلم الطالب الأصوات، تعطيه كتاباً مدرسياً محدداً (مجموعة صغيرة من البيانات المصنفة) ليتعلم الكلمات والقواعد الفعلية للغة معينة. كانت المشكلة تكمن في أن هذا "الكتاب المدرسي" مفقود أو صغير جداً بالنسبة للعديد من اللغات الأفريقية. تقدم هذه الورقة البحثية عائلة جديدة من النماذج تسمى DONDO (والتي ترمز إلى "دقرطة الأنطولوجيا العصبية للهجات الشفهية"). وهي عبارة عن مجموعة من الأدوات التي تأخذ "دماغ استماع" قوياً ومُدرباً مسبقاً، وتعلمه التحدث بـ 27 نوعاً مختلفاً من اللغات الأفريقية، باستخدام حيلة ذكية تجعل دماغاً واحداً ذكياً بما يكفي للتعامل مع لغات متعددة في وقت واحد.

المشكلة: المكتبة المفقودة

بالنسبة لمعظم العالم، تُعد تقنية الكلام أداة ناضجة؛ يمكنك أن تطلب من الهاتف ضبط مؤقت أو تخبر سيارتك بتشغيل الموسមាន بلونتك الأم. ولكن بالنسبة للملايين ممن يتحدثون لغات مثل "غا" (Ga)، أو "إيوي" (Ewe)، أو "هوسا" (Hausa)، أو "شونا" (Shona)، فإن هذه التقنية ببساطة غير موجودة. العائق ليس في عدم القدرة على بناء الحواسيب، بل في نقص "الصوت المنسوخ نصياً" (transcribed audio). لتعليم الكمبيوتر، تحتاج إلى تسجيلات لأشخاص يتحدثون مقترنة بالنص الدقيق لما قالوه. وبالنسبة للعديد من اللغات الأفريقية، فإن هذه البيانات مشتتة، ضئيلة، أو غير موجودة تماماً.

قرر مؤلفو هذه الورقة التوقف عن انتظار البيانات المثالية والبدء بالبناء بما لديهم. لقد أدركوا أنه بينما لا توجد الكثير من المحادثات العفوية المسجلة، إلا أن هناك مكاناً واحداً سجل فيه الناس وتُرجم فيه الكلام لعقود: النصوص الدينية. هذه التسجيلات موجودة في كل مكان، وهي عادةً مجانية للاستخدام (مرخصة بوضوح)، ونصوصها متسقة للغاية. المقايضة هي أنها تبدو رسمية وضيقة النطاق، مثل قراءة كتاب بصوت عالٍ بدلاً من الدردشة في حفلة. لكن المؤلفين رأوا في ذلك نقطة انطلاق مثالية—أساساً يمكن البناء عليه.

الحل: دماغ مشترك وذكي

بنى الفريق DONDO، وهي عائلة من 26 نموذجاً (21 لغات منفردة و5 نماذج تتعامل مع مجموعات من اللغات). بدأوا بـ "دماغ مستمع" قوي وموجود مسبقاً يسمى w2v-BERT 2.0، والذي كان قد استمع بالفعل إلى كمية هائلة من الأصوات من جميع أنحاء العالم. وبدلاً من تدريب دماغ جديد تماماً من الصفر لكل لغة، أخذوا هذا الدماغ المشترك وأعطوه نظام تدريب محدد.

إليكم الجزء الذكي: لم يقوموا فقط بصب جميع اللغات في الدماغ دفعة واحدة والأمل في تحقيق أفضل النتائج، بل استخدموا عملية تعلم من خطوتين (وأحياناً ثلاث خطوات لمجموعات معينة).

1. الخطوة 1 (المسودة الأولية): علموا الدماغ التعرف على جميع لغات المجموعة بوتيرة سريعة. كان هذا يشبه الرسم السريع؛ حيث أخذ الدماغ الفكرة العامة ولكنه ارتكب الكثير من الأخطاء.
2. الخطوة 2 (التلميع): أبطأوا سرعة التعلم بشكل كبير. سمح هذا للدماغ بتنقيح فهمه، وإصلاح الأخطاء، وشحذ قدرته على التمييز بين الأصوات المتشابهة.

كانت هذه "تخميد معدل التعلم" (learning-rate annealing) -وهي طريقة منمقة للقول "أبطئ لتتقن الأمر"- هي السر الخفي. لقد سمحت هذه العملية للنماذج بالتعافي من الارتباك الأولي، وفي كثير من الحالات، حققت أداءً يضاهي أداء النماذج التي تم تدريبها على لغة واحدة فقط.

الحيلة السحرية: بطاقة الهوية اللغوية

عادةً، إذا كان لديك نموذج واحد يعرف خمس لغات، يجب عليك إخباره بأي لغة يستخدم عبر تغيير بنية البرمجيات أو إضافة أجزاء إضافية. يستخدم DONDO حيلة أخف بكثير تسمى الاشتراط بلقطات البادئة (prefix-frame language conditioning).

تخيل أن الصوت عبارة عن فيلم طويل. قبل أن يبدأ الفيلم، يُعرض على النموذج "بطاقة هوية" صغيرة وغير مرئية (بضع إطارات من البيانات) تقول: "اليوم، نحن نتحدث السواحيلية" أو "اليوم، نحن نتحدث اليوروبا". يتم لصق هذه البطاقة في بداية تدفق الصوت مباشرة. يقرأ النموذج هذه البطاقة، ويحول "وضع اللهجة" الداخلي الخاص به، ثم يستمع إلى بقية الصوت. هذا يعني أن ملف نموذج واحد يمكنه التعامل مع لغات متعددة بمجرد تغيير بطاقة الهوية الصغيرة في البداية، دون الحاجة لتغييرات في الآلات الثقيلة.

النتائج: سد الفجوة

اختبر الفريق هذه النماذج على 27 نوعاً لغوياً عبر غانا، وسيراليون، ونيجيريا، والسنغال، وكينيا، وزيمبابوي.

• الأرقام: بعد خطوة "التلميع"، حققت النماذج متعددة اللغات متوسط معدل خطأ في الكلمات (WER) يتراوح بين 10-13%. وهذا مقياس لعدد الكلمات التي يخطئ فيها الكمبيوتر؛ وكلما انخفض الرقم كان أفضل.
• المقارنة: في كثير من الحالات، كانت هذه النماذج المشتركة جيدة تقريباً مثل النماذج التي تم تدريبها على لغة واحدة فقط. وبالنسبة لبعض اللغات، مثل الفرنسية والفانتي (Fante)، كان النموذج المشترك في الواقع أفضل من نموذج اللغة الواحدة، مما يشير إلى أن تعلم لغات متعددة معاً ساعد الدماغ على فهم الأصوات بشكل أوضح.
• الانتشار: يقدر المؤلفون أن هذه النماذج تغطي حوالي 115 مليون متحدث باللغة الأم. وإذا شملنا الأشخاص الذين يتحدثون هذه اللغات كلغة ثانية (مثل الهوسا أو بيجين النيجيري، والتي تُستخدم كلغات تجارية)، فإن الرقم يقفز إلى حوالي 290 مليون شخص.

لماذا يهم هذا؟

الجزء الأكثر أهمية في هذه الورقة ليس التكنولوجيا فحسب، بل الفلسفة أيضاً. لقد أطلق المؤلفون جميع الـ 26 نموذجاً مجاناً بموجب ترخيص يسمح لأي شخص باستخدامها، حتى للمنتجات التجارية، طالما يتم ذكر المصدر. إنهم يسمون هذا "دقرطة" التكنولوجيا.

إنهم لا يدعون أن هذه النماذج مثالية لكل موقف. نظرًا لأنها تدربت على القراءات الدينية، فقد تواجه صعوبة في الأسواق المزدحمة بالضجيج أو المحادثات السريعة المليئة بالعامية حتى يقوم شخص آخر بضبطها بدقة باستخدام تلك البيانات المحددة. لكنهم قدموا "المعسكر الأساسي" لبدء التسلق. ومن خلال منح العالم أساساً صلباً ومفتوحاً، يأملون أن يتمكن المطورون والباحثون والمجتمعات في جميع أنحاء أفريقيا الآن من بناء أدوات الكلام الخاصة بهم، مما يمنح أخيراً صوتاً للملايين الذين تم استبعادهم من المحادثة الرقمية.

باختصار، يثبت DONDO أنك لا تحتاج إلى مكتبة مثالية لتبدأ في تعليم الروبوت كيف يستمع. فمع القليل من الإبداع، ودماغ مشترك، ونهج بطيء وحذر، يمكنك بناء جسر نحو المستقبل لمئات الملايين من المتحدثين.