BTU AI təlimi üçün açıq gürcü dili verilənlər dəstini dərc edib

Biznes və Texnologiya Universiteti (BTU) süni intellekt sistemlərinin təlimi və qiymətləndirilməsi üçün açıq gürcü dili resursu yaradıb və onu GitHub-da dərc edib. Palitra Media-nın dəstəyi ilə hazırlanan buraxılış 645 555 strukturlaşdırılmış qeyd ehtiva edir — universitet bu həcmi təxminən 12 milyon dil modeli tokeni kimi təsvir edir.

Gürcü dilinə nə üçün öz məlumatları lazımdır

BTU-ya görə, dilin AI dövründəki gələcəyi onun rəqəmsal məkanda nə dərəcədə yaxşı təmsil olunduğundan asılıdır. Model dili yalnız dağınıq mətnlərdən öyrənirsə, qeyri-təbii cümlələr qura, konteksti səhv başa düşə və qrammatika, idiomlar və peşəkar terminologiya ilə çətinlik çəkə bilər. Gürcü dili xüsusilə tələbkardır: mənanın böyük hissəsi fel formaları, hal şəkilçiləri və kontekstlə ötürülür, söz sırası isə çevikdir.

Buna görə də resurs mətnlərin təsadüfi toplusu deyil — dilin on iki sahəsini əhatə edən struktur sistemdir: söz formaları, fellər, cümlələr, hallar, idiomlar, peşəkar terminologiya, kəmiyyətlər, sitatlar, anlayışlar, rəsmi məlumatlar, media başlıqları və AI üçün səciyyəvi səhvlərin nümunələri.

Buraxılış nəyi əhatə edir

Palitra Media geniş müasir gürcü dili materialı təqdim edib, BTU isə onu tədqiqat və texnoloji inkişaf üçün uyğun açıq formata çevirib. Universitetin sözlərinə görə, resurs gürcüdilli çatbotları, tərcüməni, axtarışı, təhsil alətlərini və rəqəmsal xidmətləri dəstəkləyə bilər ki, bu da daha təbii müştəri dəstəyi və daha aydın dövlət xidmətləri deməkdir.

Açıq dərc və onun sərhədləri

GitHub-da dərc gürcüstanlı və xarici tədqiqatçılara, universitetlərə və developerlərə resursa sərbəst çıxış verir və gürcü dilinin yeni tədqiqatlarda, model adaptasiyası layihələrində və qiymətləndirmə tapşırıqlarında görünmə ehtimalını artırır. BTU qeyd edir ki, dərc özü-özlüyündə ChatGPT, Gemini və ya Claude kimi kommersiya sistemlərinin bu məlumatlardan avtomatik öyrənəcəyi anlamına gəlmir: məqsədli təlim, inteqrasiya və test tələb olunur.

Növbəti addımlar

Universitet layihəni rəqəmsal dil suverenliyi məsələsi kimi təqdim edir — ölkənin öz dilini qlobal sistemlər daxilində texnoloji cəhətdən təsvir etmək və inkişaf etdirmək qabiliyyəti. BTU-nun tədqiqatçıları qeyd edir ki, əsas dəyər tokenlərin sayı deyil, gürcü dilinin ümumi rəqəmsal təmələ malik olmasıdır. Bu hazır milli AI modeli deyil; növbəti mərhələ ekspert yoxlaması, müxtəlif modellərdə testlər və yaxşılaşmanın ölçülə bilən sübutlarıdır.