Изкуственият интелект вече не е запазена територия само за глобалните технологични гиганти с милиардни бюджети. Локализацията и фината настройка на големи езикови модели (LLM) се превръщат в стратегически приоритет за Европа, а България прави решителна стъпка напред в тази технологична надпревара, като БАН успешно завърши работата по иновативен проект, който обещава да демократизира достъпа до технологиите с изкуствен интелект у нас. Това коментира гл. ас. д-р Светлозара Лесева, Институт за български език при БАН, в предаването "Бизнес старт" с водеща Роселина Петкова.

Проектът, финансиран от Българската академия на науките по Националния план за възстановяване и устойчивост, се развива активно през последните 18 месеца. Неговата основна цел е преодоляването на технологичната зависимост чрез създаването на отворена и достъпна среда за дообучаване на съществуващи модели, разказа Лесева.

"Проектът се казва Инфраструктура за фина настройка на предварително обучени езикови модели и е... приложим към българския език, но не само.“

По думите на д-р Лесева, процесът по фина настройка (fine-tuning) е критично важен за Европа. Той позволява науката в областта на изкуствения интелект да се демократизира и големите езикови модели да станат реално достъпни за практическа експлоатация. Благодарение на това вече и малки екипи, изследователи, малки бизнеси и технологични компании могат да обучават предварително създадените модели за своите специфични цели, без да инвестират огромни разходи за човешки ресурс и финансови средства.

Събирането и обработката на данни

Докато за английския език съществуват необятни масиви от готови данни в интернет, при българския език ситуацията е различна. Екипът на БАН е изградил софтуерни алгоритми, които са успели да генерират и обработят масив от 10 милиарда думи, но пътят до крайния резултат е изправен пред сериозни бариери, разказа Лесева.

Първото сериозно препятствие е свързано с качеството на източниците в мрежата, тъй като огромен обем от българския текст в интернет идва от нискокачествени или автоматично преведени сайтове, които изкривяват езиковите специфики и дават грешна информация. Поради тази причина процесът по почистване на данните се оказва изключително комплексен.

Премахването на дублирано съдържание, коригирането на грешки и елиминирането на нежелано или токсично поведение на моделите изискват специализиран експертен ресурс и инструменти.

Към това се добавя и проблемът с културната зависимост и цензурата, добави тя. Глобалните модели често налагат филтри, базирани на американския културен контекст, което води до парадокси, при които съвсем нормални думи от българската разговорна лексика биват санкционирани или погрешно разпознавани като обидни в социалните мрежи.

Качеството на данните

За да бъдат постигнати оптимални резултати, Институтът за български език стъпва на своя десетилетен опит в лингвистичната обработка на данни по различни проекти. Изградената инфраструктура въвежда строги критерии, филтри и детайлни метаданни, които описват съдържанието.

Чрез тях потребителите могат целево и гъвкаво да извличат по-малки, специфични поднабори от данни според конкретните си задачи. Например, ако даден бизнес се нуждае от обучение на модел за идентифициране на дезинформация и фалшиви новини, софтуерът позволява селектирането изцяло на медийни текстове, като автоматично изключва непотребна в случая научна информация или административни документи. По този начин качеството се извежда като водещ фактор за постигане на добри крайни резултати.

AI без огромни инвестиции

Едно от най-големите предимства на новата инфраструктура е, че тя е напълно безплатна и със свободен достъп, като е проектирана специално да компенсира липсата на собствен капацитет в малките и средните предприятия. Вместо компаниите да се сблъскват с бариерата от липса на огромен капитал за създаване на собствени AI модели от нулата, те получават готови, предварително обработени масиви от данни, коментира Лесева.

Проблемът с липсата на мощен и изключително скъп изчислителен хардуер се преодолява чрез предоставените софтуерни алгоритми, които са оптимизирани за бърза фина настройка. Не на последно място, дефицитът на висококвалифицирани AI инженери вече не е пречка, тъй като инфраструктурата предлага леснодостъпни инструменти и структурирани метаданни за целево извличане на информация, което улеснява интеграцията на технологиите без нужда от изграждане на скъпоструващи вътрешни екипи.

Интерес от държавните институции и публичния сектор

Интересът от страна на публичния сектор към внедряване на решения, базирани на тази инфраструктура, вече е реален факт. В рамките на инициативата е сключен стратегически договор с Българската телеграфна агенция (БТА), като партньорството се развива двупосочно, разказа Лесева.

От една страна, БТА предоставя своите огромни архивни масиви от новини, за които държавната агенция притежава авторските права, осигурявайки достъп до колосално количество информация за обогатяване на езиковите модели. От друга страна, учените от БАН разработват за нуждите на агенцията специализиран инструмент за автоматична граматична корекция. Този т.нар. „grammar checker“ е изграден на базата на предварително трениран голям езиков модел и неговата задача е да предлага прецизни корекции на текстовете в съответствие с официалните норми на съвременния български език.

Целеви сектори

Според експертната оценка на БАН, внедряването на новата инфраструктура ще има най-осезаем и бърз икономически ефект в няколко ключови сектора. В сферата на медиите, маркетинга и връзките с обществеността технологията ще позволи светкавично генериране на качествено съдържание, прецизна редакция и по-лесно откриване на манипулативни текстове.

Финтех индустрията и секторът за обслужване на клиенти също ще уловят бърза възвращаемост чрез внедряването на автоматизирани чатботове и виртуални асистенти, които разбират специфичните български културни реалии и идиоми далеч по-добре от глобалните платформи. Същевременно ИТ и софтуерните компании ще могат да разработват по-точни и конкурентни специфични решения за местния пазар, а в сектори като администрацията и правото ще се ускори автоматизираната обработка, класификация и дълбочинен анализ на сложни правни и административни документи.

Целия разговор може да гледате във видеото.

Всички гости на предаването "Бизнес старт" може да намерите тук.

Още по темата

Българска компания улеснява отчетността на онлайн търговци пред НАП

Как AI инструмент спестява дни монтаж на видеа

AI агенти в екипа: От еуфория към измерими резултати за софтуерните компании