Gaitu Plana
Sarrera. Motibazioa
Eusko Jaurlaritzako Hizkuntza Politikarako Sailburuordetzako Euskara Sustatzeko Zuzendaritzak sortutako “GAITU hizkuntza-teknologien ekintza-plana (2021-2024)” 2022ko martxoaren 29ko Gobernu Kontseiluan onartu zen.
Ekintza-plan horren bidez, azken urteotan ingurune digital eta adimen artifizialaren (AA) ekosisteman sortu diren aukera berriak (garapen teknologikoak, erabilera-eremu berriak, etab.) euskararen berreskurapen-prozesuaren alde baliatu nahi izan ditu Eusko Jaurlaritzak, kalitatezko hizkuntza-teknologietan (HT) aurrera egiteko eta euskara garapen teknologiko handiko hizkuntzen artean kokatzeko. Zeregin horretan, Eusko Jaurlaritzak lidergoari eutsi, eta trakzio-lana bere gain hartu du. Hortaz, euskal administrazio publikoan bideratutako HTen inguruko proiektu transbertsalak (itsasargi-proiektuak) identifikatu, ezagutzera eman eta horien jarraipena egin du, erakundeek egindako ahaleginak uztartuta (sinergiak) eta bikoiztasunak saihestuta.
Ekintza-planaren hasierako iraupena (2021-2024) amaitu egin da; hala ere, ekintza-planak bizirik dirau eta itsasargi-proiektu berriak biltzen jarraitzen du etengabe.
Izan ere, eragileen konpromiso eta elkarlanaren bidez, euskararen ingurune digitala zein HTak indartzea, arloko ikerketa bultzatzea, industria-sektore hori garatzea eta euskararen goraldi digitala zein burujabetza teknologikoa sustatzea da helburua. Horrela, euskararen biziraupen teknologikoa bermatu eta euskara hizkuntza hegemonikoek duten presentzia-mailatik ahalik eta hurbilen kokatu nahi da, mundu mailan hizkuntza gutxituen artean euskara erreferente bihurtuta.
Ildo horretatik, euskara hizkuntza digital gisa finkatu nahi da, euskal komunitatearen beharrizan digitalak eta HTekin lotutakoak asetzeko gai den euskarazko teknologia-ekosistema osasuntsu eta iraunkor bat eraikiz, euskal hiztunak ahaldunduz eta horien parte-hartze aktiboa sustatuz.
Hizkuntza-baliabideak
Hizkuntza-teknologiak garatzeko ezinbestekoak diren kalitateko baliabide linguistikoak bildu, tratatu, etiketatu eta plataforma publiko batean jaso behar dira, formatu egokietan eta lizentzia librepean. Horrekin batera, baliabide horien erabilera desberdinak aintzakotzat hartuta, protokolo bat definitu eta zehaztu behar da. Azken finean, helburua da euskararen garapen teknolinguistikoan lan egiten duten enpresek, unibertsitateek, agente teknologikoek eta gainerako interesdunek baliabide horiek erabili ahal izatea, hizkuntza-ereduak garatzeko, hobetzeko eta entrenatzeko, eta tresnak eta aplikazioak sortzeko.
Hauek dira bildu eta etiketatu beharreko hizkuntza-baliabideak:
Idatzizko corpusak: corpus orokor elebakarrak (etiketatuak: morfologia, sintaxia, semantika, korreferentziak, koherentzia, rol sematikoak, izendun entitateak, denbora-adierazpenak, gertaerak, eta abar), corpus eleaniztun paralelo edo konparagarriak (itzulpen-memoriak, testu elebidun edo eleaniztunak), arloetako corpus espezializatuak (hezkuntza, justizia, osasungintza, turismoa, administrazioa, etab.), eta, corpus historikoak edo ez-estandarrak.
Corpus ez-estandarrei dagokienez, aberasgarria litzateke euskalkietako formak edota, azken urteotan, sortzen ari den hizkuntza ez-formalean idatzitako corpus ugariak (sare sozialetakoak) biltzea eta tratatzea.
Ahozko corpusak: egun, datu asko sortzen dira multimedia-formatuan plataforma eta gune desberdinetan (hedabideak, Internet, etab.) eta datu horiek eskuratzea eta etiketatzea funtsezkoa da daukaten informazio guztia modu egokian eta erosoan erabiltzeko eta ustiatzeko ahots-teknologietan: ahotsa testu bihurtu (ahots-ezagutza, STT - Speech-to-text) zein testua ahots bihurtu (ahots-sintesia, TTS - Text-to-Speech).
Ahozko corpusen artean, aipatzekoa da Mozilla Fundazioaren Common Voice ekimena, hainbat herrialde eta hizkuntzatan garatzen ari dena. Librezale elkarteak sustatuta, euskarazko ahots-grabaketak biltzen ari dira Internet bidez, metadatuez hornituak. Ondoren, grabazioak baieztatu egiten dira.
Lexikoak, hiztegiak, entziklopediak, terminologia-bankuak, ezagutza-base lexiko-semantikoak (ontologiak): lexikoari dagokionez informazioa ematen dute, besteak beste, kategoria gramatikala baina baita hitzen arteko erlazio semantikoak ere (sinonimia, antonimia, hiperonimia / hiponimia).
Hizkuntza prozesatzeko lanabesak
Euskara hizkuntza-teknologietan integratzeko eta, hortaz, tresnak eta aplikazioak garatzeko, hizkuntza-baliabideak prozesatzeko eta erabilgarri izan daitezen prestatzeko, hau da, ereduak sortzeko, zenbait lanabes behar dira, besteak beste, honako hauek:
- Analizatzeko eta etiketatzeko tresnak. Horiek izaten dira, askotan, konplexuenak:
- Testuekin lotutako tresnak: analizatzaile morfologikoak, sintaktikoak, semantikoak (pertsonak, erakundeak, lekuak, eta abar identifikatzeko), eta diskurtsoaren analizatzaileak. Bilaketak egiteko oso beharrezkoak dira. Horiek garatzeko teknikak aldatuz joan izan dira eta, gaur egun, gero eta gehiago erabiltzen ari da adimen artifiziala.
- Hizketarekin edo ahotsarekin lotutako tresnak: hizketa-ezagutzarako sistemak eta multimedia-materialak transkripzio aberastuaz etiketatzeko aukera ematen dutenak. Ezinbestekoak dira transkripzio automatikorako lanabesak lortzeko. Erraztu egiten dute multimedia-edukiak kudeatzea eta bilaketak egitea. Eredu generikoak sortu daitezke eta, ondoren, eremu espezifikoetarako egokitu eta erabili.
- Datu pertsonalak eta entitateak anonimizatzeko tresnak. Corpusak eta itzulpen-memoriak garbitzeko ezinbestekoak dira.
Hizkuntza-baliabideak eta tresnak eskuratzea eta berrerabiltzea
Gaur egun, atzigarri dagoen informazio-masa (testuak, multimedia-produktuak, etab.) handia da eta etengabe ari da sortzen, bai administrazio publikoan, bai hedabideetan, bai Interneten, oro har. Oso onuragarria litzateke baliabide horiek berrerabiltzeko baldintza egokiak izatea.
Hori horrela, administrazio publikoan dauden, sortzen ari diren, eta datozen urteotan sortuko diren hizkuntza-baliabideak (testukoak nahiz ahozkoak) eta garatuko diren lanabesak eta tresnak plataforma batean jaso nahi dira. Horrela, GAITU DATA plataforma sortu da EJIEko zerbitzarietan. Bertan, proiektu desberdinetarako garatu eta garatuko diren corpusak, baliabideak, hizkuntza-ereduak eta tresnak jartzen dira, gero, sektoreko enpresek eta berrikuntza-zentroek kostu txikiagoarekin eta teknologia lehiakorrekin aplikazioak eta tresnak gara ditzaten. Baliabideak banatzeko eta eskuratzeko protokoloa ezarri da, produktu bakoitzaren lizentziak errespetatuz.
Gainera, hizkuntza-baliabide horiek ustiatzeko eta hizkuntza-teknologietarako aprobetxateko, konputazio-ahalmen handia duten makinak behar direnez, abantaila izango da sektorearentzat datuak prozesatuta (etiketatuta) eta erabiltzeko prest eskuratzea.
Plan osoa
