BTU פרסמה מאגר פתוח של השפה הגאורגית לאימון AI

האוניברסיטה לעסקים וטכנולוגיה (BTU) יצרה מאגר פתוח של השפה הגאורגית לאימון והערכה של מערכות AI ופרסמה אותו ב-GitHub. המהדורה, שהוכנה בתמיכת Palitra Media, כוללת 645,555 רשומות מובנות — נפח שהאוניברסיטה מתארת ככ-12 מיליון טוקנים של מודל שפה.

מדוע הגאורגית זקוקה לנתונים משלה

לפי BTU, עתידה של שפה בעידן ה-AI תלוי במידת הייצוג הדיגיטלי שלה. כשמודל מכיר שפה רק מטקסטים מפוזרים, הוא עלול לייצר משפטים לא טבעיים, לפספס את ההקשר ולהתקשות בדקדוק, בביטויים ובטרמינולוגיה מקצועית. הגאורגית תובענית במיוחד: חלק גדול מהמשמעות מועבר בצורות הפועל, ביחסות ובהקשר, בעוד סדר המילים גמיש.

לכן המאגר אינו אוסף מקרי של טקסטים אלא מערכת מובנית של שנים-עשר תחומים: צורות מילים, פעלים, משפטים, יחסות, ביטויים, טרמינולוגיה מקצועית, כמויות, ציטוטים, מושגים, נתונים רשמיים, כותרות תקשורת ודוגמאות לטעויות אופייניות של AI.

מה כוללת המהדורה

Palitra Media סיפקה חומר גאורגי עכשווי ורחב, ו-BTU המירה אותו לפורמט פתוח המתאים למחקר ולפיתוח טכנולוגי. באוניברסיטה אומרים שהמאגר יכול לתמוך בצ'אטבוטים בגאורגית, בתרגום, בחיפוש, בכלי למידה ובשירותים דיגיטליים — וכך להוביל לתמיכת לקוחות טבעית יותר ולשירותי ציבור ברורים יותר.

פרסום פתוח ומגבלותיו

הפרסום ב-GitHub מעניק לחוקרים, לאוניברסיטאות ולמפתחים בגאורגיה ומחוצה לה גישה חופשית למאגר, ומגביר את הסיכוי שהגאורגית תופיע במחקרים חדשים, בפרויקטים להתאמת מודלים ובמשימות הערכה. ב-BTU מדגישים: הפרסום כשלעצמו אינו אומר שמערכות מסחריות כמו ChatGPT, Gemini או Claude ילמדו מהנתונים באופן אוטומטי — נדרשים אימון מכוון, אינטגרציה ובדיקות.

מה הלאה

האוניברסיטה מציגה את הפרויקט כעניין של ריבונות לשונית דיגיטלית — היכולת לתאר ולפתח את הגאורגית טכנולוגית בתוך מערכות גלובליות. לדברי חוקרי BTU, הערך המרכזי אינו מספר הטוקנים אלא העובדה שלגאורגית יש כעת תשתית דיגיטלית משותפת. זהו אינו מודל AI לאומי גמור; השלב הבא הוא ביקורת מומחים, בדיקות על פני מודלים שונים והוכחות מדידות לשיפור.