Nejtěžší úkol, jakému kdy AI čelila: Dokáže se naučit africké jazyky? Vývojáři stojí před zásadním problémem

Ilustrační foto
Ilustrační foto, foto: Pixabay
Klára Marková 12. prosince 2025 14:34
Sdílej:

Vývojáři umělé inteligence na africkém kontinentu čelí zásadní výzvě: jak trénovat modely, aby rozuměly a odpovídaly v místních jazycích, když neexistují téměř žádné psané zdroje k přečtení. Zatímco pro angličtinu existuje přes 7 milionů článků na Wikipedii, u většiny z odhadovaných 1500 až 3000 afrických jazyků je dostupnost dat minimální. Například tigriňa, kterou mluví asi 9 milionů lidí v Etiopii a Eritrei, má pouze 335 článků, a pro akan, nejpoužívanější rodný jazyk v Ghaně, není na Wikipedii žádný.

Z tisíců afrických jazyků je v současné době podporováno jen 42 jazykovými modely. Z 23 písem a abeced jsou k dispozici pouze tři – latinka, arabština a ge'ez (používané v Africkém rohu). Toto nedostatečné zastoupení pramení především z finančních důvodů. I když je mluvčích svahilštiny více než mluvčích finštiny, Finsko představuje lepší trh pro technologické giganty jako Google a Apple.

Chinasa T. Okolo, zakladatelka výzkumného institutu Technēculturǎ, varuje, že nedostatečný rozvoj jazykových modelů může mít pro Afriku katastrofální dopad, kdy budou lidé, kteří nehovoří některým z oněch 42 podporovaných jazyků, nadále vyloučeni z příležitostí. Pro rozvoj vlastní AI infrastruktury je proto nutné přehodnotit způsob vývoje modelů.

Profesor počítačových věd Vukosi Marivate z Pretoriiské univerzity vedl jihoafrickou část projektu African Next Voices. Tři týmy v Jihoafrické republice, Keni a Nigérii shromáždily za dva roky 9000 hodin audio nahrávek v 18 jazycích od mluvčích různého věku a z různých lokalit. Vytvořili tak datovou sadu, kterou mohou vývojáři AI využít k trénování modelů. V některých případech, jako u jazyka isindebele, bylo pro vytvoření podkladů pro nahrávky nutné použít vládní příručku pro pastevce koz, protože psaných zdrojů bylo k dispozici minimum.

Ačkoli African Next Voices neshromáždil dostatek dat pro trénování velkých jazykových modelů typu ChatGPT, zaměřili se na nahrávky týkající se klíčových témat, jako je zdravotnictví a zemědělství. Jak vysvětluje Nyalleng Moorosi, výzkumná pracovnice z institutu DAIR, malé, zaměřené datové sady mohou dosáhnout vysoké přesnosti v rámci specializovaného modelu. Podle ní je klíčové prioritizovat chyby. Zatímco chyby v modelech informujících o dění v centru Nairobi jsou tolerovatelné, chyby v bankovnictví nebo zdravotnictví mohou mít vážné důsledky.

Moorosi zdůrazňuje, že tvůrci AI musí chápat důsledky a kultury, aby pochopili váhu těchto chyb. Slova a symboly mají často mnoho významů; například kříž svatého Jiří je ve Spojeném království spojen s krajně pravicovou politikou, což není zřejmé někomu z Ghany. Nedostatek dokumentace a kontextuálního porozumění u jazyků s omezenými zdroji je velkým problémem. Studie DAIR například ukázala, že sociální média neodstranila nenávistné projevy související s etnickým násilím v Etiopii částečně proto, že systémy nebyly obeznámeny s místními slangovými výrazy.

Kromě nedostatku dat čelí afričtí vývojáři i problému s neukotveností mnoha afrických jazyků, které často postrádají kodifikaci ve formě slovníků nebo gramatik. Například pro jazyk kinyarwanda existují tři běžné způsoby psaní názvu země (uRwanda, Urwanda a u Rwanda), což komplikuje i základní zpracování textu. Další překážkou je nedostatek datových center.

Marivate se obává, že pokud se modely pro menší jazyky nevytvoří, tyto jazyky „zmizí“. Říká, že v případě jazyků, které nemají ani psací systém, se „model bude muset změnit“. Cílem by přitom mělo být zpřístupnění AI ve všech jazycích, a to i pro ty, kterými mluví jen jeden člověk. „Všechny jazyky si zaslouží zastoupení nebo zachování,“ dodává Moorosi.

Stalo se
Novinky
Ilustrační foto

Indie jde stranou. USA mají v Asii nového stěžejního spojence

Spojené státy procházejí výraznou přehodnocovací fází své strategie v Tichomoří, v jejímž středu dochází k odsunutí Indie a naopak k upevnění pozice Japonska jako absolutně klíčového asijského spojence Washingtonu. 

Novinky
Ilustrační foto

Bublina, která splaskne? Hodnoty AI firem prudce rostou, realitě ale zdaleka neodpovídají, varuje ekonom

Globální finanční systém se může nacházet v bublině přehodnocení technologií umělé inteligence, která připomíná nemovitostní krizi z roku 2008. V rozhovoru pro server Politico na to upozornil generální tajemník Rady pro finanční stabilitu John Schindler. Reagoval tak na rekordní ocenění technologických společností a masivní příliv investic do odvětví umělé inteligence v posledních letech.

Novinky
Ilustrační foto

Kde se invaze na Ukrajinu propojuje s válkou v Íránu? Oči světa se upírají ke Kaspickému moři

Kaspické moře se stává novým ohniskem globálního napětí. Největší vnitrozemské jezero světa totiž představuje pro Teherán i Moskvu zcela zásadní logistickou a obchodní tepnu. Význam této trasy dramaticky vzrostl v důsledku západních sankcí a námořních blokád v oblasti Perského i Ománského zálivu.

Novinky
Teherán

Vězni čekající v největší íránské věznici na popravu zahájili protestní hladovku

V největší íránské věznici Ghezel Hesar nedaleko Teheránu došlo k dramatickému vyostření protestů proti vlně poprav. Nejméně 1 500 vězňů odsouzených k trestu smrti zde vstoupilo do hromadné hladovky, přičemž někteří z nich si na znamení odporu dokonce sešili rty nití. Vlna nespokojenosti vypukla poté, co úřady přeložily šest mužů odsouzených za drogové delikty na samotky, což obvykle předchází bezprostřednímu výkonu trestu.