EDVALen arkitektura eta azpiegitura

EDVALek adimen artifizialerako espainieraren azpiegitura estrategiko bat osatzen du, elkarreragingarritasuna, hizkuntza-kalitatea eta eskalagarritasun konputazionala bermatzen dituzten lau bloke tekniko osagarriren bidez egituratua. Lehenengo blokea datu-espazio federatuari dagokio; honek baliabideen katalogo bat, konektore elkarreragingarriak eta Europako estandarrekin bat datozen clearing house mekanismoak inplementatzen ditu. Bigarren blokeak espainieraren ahozko corpusa hartzen du barne, egun eskuragarri dagoen corpusik handiena bezala onartua; honek hainbat aldaera dialektal, baliozkotutako transkripzioa, hizkuntza-ohar aurreratuak eta trazabilitaterako metadatu egituratuak hartzen ditu. Hirugarren blokeak ahotsean espezializatutako adimen artifizialeko ereduak biltzen ditu, Deep Learning tekniken bidez garatuak eta ahozko corpusean berariaz entrenatuak hizketaren ezagutza automatikorako (ASR) eta hizkuntza naturalaren prozesamendurako (NLP). Laugarren blokeak euskarri-azpiegitura teknologikoa osatzen du, GPU bidezko konputazio azeleratuan, edukiera handiko biltegiratze bateratuan eta inplementazio jarraiturako GitOps arkitekturan oinarrituta. Egitura modular honek sistemaren eskalagarritasun horizontala eta Europako araudi-eskakizunetara (GDPR eta Data Governance Act, esaterako) egokitzea bermatzen du.

Ekosistema bizi bat europako elkarreragingarritasunarekin

EDVAL datu-espazioak proiektuko parte-hartzaileen artean hizkuntza-baliabideak modu seguru eta trazagarrian trukatzea ahalbidetzen duen plataforma-ekosistema bat inplementatzen du. Baliabideen katalogoak eskuragarri dauden aktiboen erregistro zentralizatu gisa jokatzen du, corpus testualak, ahozko corpusak, hizkuntza-ereduak, entrenamendu-dataset-ak eta hizkuntza-prozesamendurako zerbitzuak barne; horiek guztiak elkarreragingarritasun semantikoa bermatzen duten metadatu estandarizatuen bidez deskribatuta daude. Konektoreak kanpoko sistemak datu-espazioarekin integratzea ahalbidetzen duten oinarrizko osagai teknikoak dira, eta baliabide bakoitzerako trazabilitatea eta sarbide-kontrol granularra bermatzen duten autentifikazio-, baimen- eta zifratze-protokoloak inplementatzen dituzte. Clearing house funtzioak datu-hornitzaileen eta kontsumitzaileen arteko transakzioak baliozkotzeko, erregistratzeko eta ikuskatzeko mekanismoak eskaintzen ditu, trukean gardentasuna eta ezarritako lizentzia-akordioak betetzen direla bermatuz. Elkarreragingarritasun teknikoa GAIA-Xk eta Data Spaces Support Centre-k (DSSC) sustatutako Europako estandarrak onartzean oinarritzen da, beste datu-espazio sektorial batzuekin bateragarritasuna ziurtatuz eta hizkuntza-baliabideen mugaz haraindiko federazioa erraztuz. Arkitektura honek datuaren burujabetza, gobernantza banatua eta indarrean dagoen Europako araudiaren araberako betetze normatiboa bermatzen ditu.

Transkripzioa, anotazioa eta lerrokatze tenporala

Espainieraren ahozko corpusa EDVALen hizkuntza-aktibo nagusia da, espainierarako egun eskuragarri dagoen ahozko corpusik handiena bezala onartua. Corpusaren transkripzioak baliozkotze-protokolo zorrotzak inplementatzen ditu, zehaztasun fonetikoa eta ortografikoa bermatzen dutenak Espainiako eta Latinoamerikako espainieraren aldaera dialektal anitzetan, testuinguru formalak, informalak, espezializatuak eta lagunartekoak barne hartuz.

Hizkuntza-oharrak etiketatze morfosintaktikoa, azterketa prosodikoa, fenomeno fonetiko dialektalen markaketa eta gutxieneko hizkuntza-unitateen segmentazioa barne hartzen ditu, azterketa konputazional aurreratua eta hizkuntza-ereduen entrenamendua erraztuz. Lerrokatze tenporalak transkripzio testualak eta dagokien audio-segmentuak sinkronizatzen ditu denbora-marka zehatzen bidez; horrela, analisi fonetiko-akustikoa, ahotsa sintetizatzeko sistemen entrenamendua eta aldaera dialektal espezifikoetara egokitutako hizketaren ezagutza automatikoko ereduen garapena ahalbidetzen dira. Anotazio-aberastasun horrek eta aniztasun geografikoak corpusa baliabide bereizgarri gisa kokatzen dute IA ereduak espainieraz bertako kalitatearekin entrenatzeko, batez ere ingelesez entrenatutako ereduetatik eratorritako isurriak (alborapenak) saihestuz.

Gurekin bat egin, partekatu eta sustatu espainiera.

EDVALek adimen artifizialeko sistemak garatzen dituzten garatzaileak, teknologia-instituzioak, unibertsitateak eta hizkuntza naturalaren prozesamenduan espezializatutako ikertzaileak gonbidatzen ditu ekosistema teknikoan parte hartzera, baliabide linguistikoak ekarrita, ahots-ereduak balioztatuta edo azpiegitura partekatuan zerbitzu aurreratuak martxan jarrita. Irekiko estandarrak onartzeak eta gobernantza gardena izateak EDVAL adimen artifizialean espainol jatorriko plataforma nagusi gisa kokatzen du, lankidetza teknikoa errazten eta espainierazko ekosistemarako balio iraunkorra sortzen lagunduz.